시계열 데이터 분류를 위한 준지도 표현학습

Abstract

시계열 데이터 표현학습은 주어진 시계열 데이터를 분류, 군집, 이상치 탐지 등의 특정 목적을 이루기 위해 벡터 표현으로 바꾸는 학습을 말한다. 시계열 데이터는 레이블링 된 데이터의 양이 충분하지 않기 때문에 비지도 학습이나 준지도 학습 방법이 선호되어 왔다. 최근에는 자연어 처리 기법 중 하나인 네거티브 샘플링을 활용하여 시계열 데이터에 대해 비지도 표현학습을 하였다. 하지만, 클래스의 숫자가 적을 때 비지도 방법으로 네거티브 샘플링을 사용할 경우, 클래스가 같은 데이터를 네거티브 샘플로 학습할 확률이 높기 때문에 인코더를 트레이닝할 때 왜곡이 생길 수 있다. 우리는 소량의 레이블 데이터를 사용한 준지도 학습 환경에서의 네거티브 샘플링 방법을 제안한다. 본 논문에서 제안하는 방법은 레이블링 된 데이터에서 다른 클래스를 가진 경우에 대해 네거티브 샘플링 손실 함수를 추가하였다. 제안한 알고리즘은 20~50%의 레이블링 된 데이터를 사용하였을 때 지도학습으로 훈련된 분류기와 비슷한 정확도를 가짐을 실험을 통해 보였다. 8 종류의 대표적인 일변수 및 다변수 시계열 데이터를 활용한 분류 실험에서 레이블링된 데이터를 사용하였을 때 기존의 비지도 학습 방법보다 1~49.8% 높은 정확도를 보였다.