Temporal Prototype Network : Few-shot Time Series Classification using Image Encoding Methods

초록

딥러닝의 성공과 더불어, Convolution Neural Network (CNN)은 end-to-end 방식의 시계열 분류를 위해 널리 사용되어왔다. 그동안의 발전에도 불구하고 대부분의 최신 딥러닝 모델들은 많은 양의 학습 데이터에 의존해왔고, 이는 데이터 생성에 많은 시간적 비용적 부담이 요구되는 의료분야와 같이 대규모 데이터셋을 구성하기 어려운 분야에서는 성능이 보장되지 않는 문제가 존재한다. 최근 다양한 분야에서 데이터 부족 문제를 해결하고자 매우 적은 데이터만으로도 높은 일반화 성능을 달성하고자 하는 Few-shot learning (FSL)이 주목받고 있다. 이에 본 논문은 시계열을 세 가지 이미지 변환 기법으로 시계열을 표현하여 가능한 많은 숨겨진 피쳐들을 추출하고, 피쳐 추출 과정에서 task-specific 파라미터로 목표 태스크의 정보를 주입한 후, 추출된 피쳐 벡터들을 Few-shot learning 분류 모델인 Nearest Prototype 분류기로 분류하는 Temporal Prototype Network를 제시한다. 실험에서는 UCR Time Series Archive[4]에서 취득한 여러 시계열 분류 데이터를 사용하였으며, 대부분의 데이터셋에서 기존의 최신 시계열 분류 모델보다 좋은 정확도를 보였다.