표제지
초록
Abstract
목차
제1장 서론 15
1.1. 배경 15
1.2. 동기 16
1.3. 학술적 기여도 17
1.4. 본 논문의 전체적인 구성 19
제2장 관련 연구 21
2.1. 시계열 분류 21
2.2. 시계열 분류를 위한 딥러닝의 활용 22
2.3. 시계열 분류에서 데이터 부족 문제 22
제3장 방법론 24
3.1. Preliminary 26
3.1.1. Recurrence Plot 26
3.1.2. Markov transition field 27
3.2. Multimodal Temporal-Context Attention 28
3.3. Multimodal Meta-feature Fusion 31
3.4. 분류기 35
제4장 실험결과 및 분석 37
4.1. 데이터 세트 37
4.2. UCR 아카이브 데이터 세트의 실험 결과 39
4.3. 절제연구 46
4.3.1. 구성 요소별 알고리즘 절제 연구 46
4.3.2. 멀티모달 이미지의 효과성 51
4.3.3. MMF의 효과성 54
4.3.4. MTA의 효과성 54
4.3.5. 특징 추출기 57
4.3.6. 분류기 57
4.3.7. 크로스 도메인 퓨샷 학습 57
4.3.8. 하이퍼파라미터 ρ 60
4.3.9. ReLU 함수의 효과성 60
제5장 결론 64
참고문헌 65
표 4.1. 본 연구에 사용된 UCR 아카이브 내 28개의 데이터 세트에 대한 세부 정보. 38
표 4.2. 5-way 5-shot 설정에서 UCR 아카이브 내 14개의 데이터 세트들에 대한 정확도 (%) 비교 결과. 41
표 4.3. 5-way 1-shot 설정에서 UCR 아카이브 내 7개의 데이터 세트들에 대한 정확도 (%) 비교 결과. 42
표 4.4. 3-way 5-shot 설정에서 UCR 아카이브 내 14개의 데이터 세트들에 대한 정확도 (%) 비교 결과. 43
표 4.5. 3-way 1-shot 설정에서 UCR 아카이브 내 7개의 데이터 세트들에 대한 정확도 (%) 비교 결과. 44
표 4.6. 구성요소별 알고리즘 절제 연구. 'M.I'는 네 가지 이미지 인코딩 기법 (RP, MTF, GASF, and GADF)의 사용을 의미한다. 'Gesture'는 GestureMidAirD1, 2, 그리고 3의 정확도 결과들의 평균을 의미한다. 'ECG'는 NonIn-... 52
표 4.7. 본 연구에서 사용된 이미지 인코딩 기법들의 효과성. 'Gesture'은 GestureMidAirD1, 2, 그리고 3의 정확도 결과 들의 평균을 의미한다. 'ECG'는 NonInvasiveFetalECGThorax1 그리고 2의 정확도 결과들의 평균을 의미한다. 'Pig'는... 53
표 4.8. MMF의 효과성. 'Gesture'은 GestureMidAirD1, 2, 그리고 3의 정확도 결과들의 평균을 의미한다. 'ECG'는 NonInvasiveFetalECGThorax1 그리고 2의 정확도 결과들의 평균을 의미한다. 'Pig'는 PigCVP, PigAirwayPressure,... 55
표 4.9. MTA의 효과성. 'Gesture'은 GestureMidAirD1, 2, 그리고 3의 정확도 결과들의 평균을 의미한다. 'ECG'는 NonInvasiveFetalECGThorax1 그리고 2의 정확도 결과들의 평균을 의미한다. 'Pig'는 PigCVP, PigAirwayPressure,... 56
표 4.10. 특징 추출기로서 ResNet-12의 효과성. 'Gesture'은 GestureMidAirD1, 2, 그리고 3의 정확도 결과들의 평균을 의미한다. 'ECG'는 NonInvasiveFetalECGThorax1 그리고 2의 정확도 결과들의 평균을 의미한다. 'Pig'는 PigCVP,... 58
표 4.11. 분류기로써 최근접 프로토타입 분류기 (NPC)의 효과성. 'Gesture'은 GestureMidAirD1, 2, 그리고 3의 정확도 결과들의 평균을 의미한다. 'ECG'는 NonInvasiveFetalECGThorax1 그리고 2의 정확도 결과들의 평균을 의미... 59
표 4.12. MMF 내에 사용되는 ReLU 활성화 함수의 효과성. 'Gesture'은 GestureMidAirD1, 2, 그리고 3의 정확도 결과 들의 평균을 의미한다. 'ECG'는 NonInvasiveFetalECGThorax1 그리고 2의 정확도 결과들의 평균을 의미한다. 'Pig'는... 61
표 4.13. 7개 데이터 세트에 대한 크로스-도메인 퓨샷 시계열 분류 실험 결과. 본 논문에서 제안하는 방법과 비교 모델들은 소스 데이터 세트에 대해 학습 한 후, 타겟 데이터 세트에 대해서 정확도(%)가 측정되었다. 62
그림 1.1. 시계열은 RP, MTF, GASF, 그리고 GADF을 이용하여 이미지로 변환한 예시. 각 데이터는 UCR (University of California, Riverside) 아카이브 내 네 개의 데이터 세트 (최상단부터 Phoneme, PigCVP, Gesture, ECG)에서 취득되었다. 20
그림 3.1. 본 논문에서 제안하는 프레임워크의 구조. 25
그림 3.2. MTA 모듈의 구조 29
그림 3.3. MMF 모듈의 구조. 32
그림 4.1. 각 N-way K-shot 설정에 따른 결과의 순위에 대한 Critical difference diagram. (a)는 5-way 5-shot, (b)는 5-way 1-shot, (c)는 3-way 5-shot, 그리고 (d)는 3-way 1-shot을 의미한다. 47
그림 4.2. 5-way 5-shot 설정에 따른 결과에 대한 Wilcoxon 부호 순위 테스트 결과. 48
그림 4.3. 5-way 5-shot 설정에서 상위 4개 SOTA 모델에 대한 우리 방법의 쌍별 정확도 비교. 각 포인트는 평균 정확도 값을 나타낸다. 점선은 분류 정확도의 ±5% 간격을 나타낸다. 49
그림 4.4. 5-way 1-shot 설정에서 상위 4개 SOTA 모델에 대한 우리 방법의 쌍별 정확도 비교. 각 포인트는 평균 정확도 값을 나타낸다. 점선은 분류 정확도의 ±5% 간격을 나타낸다. 50
그림 4.5. 본 논문에서 실험에 사용된 14개 데이터 세트들에 대해서 수행한 각 ρ에 따른 5-way 5-shot 설정에서의 평균 정확도. 63