시계열 데이터의 이미지 변환과 자기지도학습
저자
발행사항
서울 : 성균관대학교 일반대학원, 2023
학위논문사항
학위논문(석사)-- 성균관대학교 일반대학원 : 데이터사이언스융합학과 2023. 8
발행연도
2023
작성언어
한국어
주제어
발행국(도시)
서울
기타서명
Encoding timeseries as images for self supervised learning
형태사항
52 p. : 천연색삽화, 표 ; 30 cm
일반주기명
지도교수: 우사이먼성일
참고문헌: p. 47-50
UCI식별코드
I804:11040-000000175755
DOI식별코드
소장기관
지도학습 모델은 뛰어난 성능을 보이지만, 충분한 레이블이 필요한 한계점이 있다. 현실 세계의 시계열 데이터는 레이블이 부족한 경우가 많아서 지도학습 모델의 적용이 어렵다. 반면, 자기지도학습은 레이블 없이도 모델이 스스로 학습할 수 있어서 시계열 분야에 적합하다. 본 논문에서는 시계열 데이터를 이미지로 변환하고, 자기지도학습 구조를 제안한다. 이를 위해 두 가지 증강 기법을 적용하여 시계열 데이터를 분리 생성한 후, 각각을 Wavelet [1] 이미지로 변환한다. 그 다음, 생성된 이미지를 ResNet [2] 과 ViT [3] 인코더에 통과시켜 Class token에 잠재 특성을 저장한다. Class token에 가중치 행렬을 곱하여 49개의 ViT 패치를 서로 예측하는 Cross prediction 손실함수를 구성한다. 또한, 2개의 Class token을 MLP에 통과시킨 후 대조 손실함수도 구성한다. 이 두 손실 함수를 1:1 비율로 합친 후 자기지도학습을 진행한다. Epilepsy, pFD, EMG 공개 데이터셋에서는 레이블이 50개 이하로 적은 상황에서, 사전학습한 인코더의 성능은 지도학습보다 M_F1값이 5~10%p 높게 나타났다.
더보기Supervised learning models in the field of time series demonstrate excellent performance, but they have a limitation of requiring sufficient labels. Real-world time series data often lacks labels, making it challenging to apply supervised learning models. On the other hand, self_supervised learning is suitable for the time series domain as it allows models to learn without labels.
we propose converting time series data into images and introduce a self_supervised learning framework. To achieve this, we apply two augmentation techniques to generate separate sequences from the time series data, which are then transformed into Wavelet images [1]. Subsequently, the generated images are passed through ResNet [2] and ViT [3] encoders, capturing the latent features of the time series in the Class token. We construct a cross-prediction loss function where the Class token is multiplied by weight matrices to predict 49 ViT patches mutually. Additionally, we form a contrastive loss function by passing two Class tokens through a non-linear MLP. The self_supervised learning is then conducted by combining these two loss functions in a 1:1 ratio.
Evaluation on the publicly available Epilepsy, pFD, and EMG datasets, with limited labeled data (less than 50 instances), demonstrates that the pre-trained encoder outperforms supervised learning models, yielding an M_F1 score improvement of 5-10%p.
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)