Bir CNN'yi otomatik kodlayıcı olarak eğitmek mantıklı mı?

Sonunda sınıflandırılması gereken EEG verilerini analiz etmek için çalışıyorum. Bununla birlikte, kayıtlar için etiket elde etmek biraz pahalıdır, bu da oldukça büyük miktarda etiketlenmemiş verilerimizi daha iyi kullanmam için denetimsiz yaklaşımları düşünmeme neden oldu.

Bu doğal olarak iyi bir fikir olabilecek yığılmış oto-kodlayıcıların dikkate alınmasına yol açar. Bununla birlikte, bir tür filtreleme genellikle EEG için çok yararlı bir yaklaşım olduğundan ve düşünülen çağların bir bütün olarak değil, yerel olarak analiz edilmesi gerektiği için, evrişimli sinir ağlarını kullanmak da mantıklı olacaktır.

İki yaklaşımı birleştirmenin iyi bir yolu var mı? İnsanlar CNN'leri kullandıklarında genellikle denetimli eğitim kullanıyorlar mı? Sorunum için sinir ağlarını keşfetmenin iki ana faydası, denetimsiz yön ve ince ayar gibi görünüyor (nüfus verileri üzerinde bir ağ oluşturmak ve daha sonra bir birey için ince ayar yapmak ilginç olurdu).

Yani, bir CNN sanki "sakat" bir otomatik kodlayıcıymış gibi yapabilir miyim, yoksa anlamsız mı?

Örneğin derin bir inanç ağı gibi başka bir mimariyi düşünmeli miyim?

Evet, CNN'leri otomatik kodlayıcılarla veya diğer denetimsiz yöntemlerle kullanmak mantıklıdır. Aslında, (evrişimsel ve / veya yığılmış) oto-kodlayıcılar da dahil olmak üzere, EEG verileri için CNN'leri denetimsiz eğitim ile birleştirmenin farklı yolları denenmiştir.

Örnekler:

EEG Kayıtları için Deep Feature Learning, denekler ve denemeler arasında genellemeyi geliştirmek için özel kısıtlamalara sahip kıvrımlı otomatik enkoderler kullanır.

Derin kıvrımlı sinir ağı tarafından sürücünün bilişsel performansının EEG tabanlı tahmini , tek elektrotlarda kıvrımlı derin inanç ağlarını kullanır ve bunları tamamen bağlı katmanlarla birleştirir.

EEG motor görüntü sinyallerinin sınıflandırılması için yeni bir derin öğrenme yaklaşımı, gözetim altında eğitilmiş (oldukça sığ) bir CNN'nin çıktısında tam bağlı yığınlanmış otomatik enkoderler kullanır.

Fakat aynı zamanda tamamen denetlenen CNN'lerin EEG verileri üzerinde başarılı olduğu görülmüştür, örneğin:

EEGNet: EEG Tabanlı Beyin-Bilgisayar Arayüzleri için Kompakt Bir Konvolüsyon Ağı

İnsan EEG'sinden beyinle eşleme ve hareketle ilgili bilgilerin kodunun çözülmesi için evrişimli sinir ağları ile derin öğrenme (açıklama: Bu çalışmanın ilk yazarıyım, daha ilgili çalışma bkz. S.44)

EEGNet belgesinde, daha az sayıda denemeyle birlikte, CNN'lerinin tamamen denetlenen eğitiminin temel çizgilerinden daha iyi performans gösterebileceğini unutmayın (bkz. Şekil 3). Ayrıca, sadece 288 eğitim denemesine sahip bir veri kümesindeki deneyimimizde, tamamen denetlenen CNN'ler iyi çalışır ve geleneksel bir filtre bankası ortak mekansal desen taban çizgisinden biraz daha iyi performans gösterir.

Evet, otomatik kodlayıcı kurulumunda evrişimli bir ağ kullanabilirsiniz. Garip bir şey yok. Bununla birlikte, insanlar dekonvolüsyon katmanlarını bulmakta problem yaşıyorlar .

Burada Keras çerçevesini kullanarak evrişimli bir otomatik kodlayıcı örneği bulabilirsiniz: https://blog.keras.io/building-autoencoders-in-keras.html