Я работаю с анализом данных ЭЭГ, которые в конечном итоге необходимо будет классифицировать. Тем не менее, получение ярлыков для записей несколько дорого, что заставило меня рассмотреть неконтролируемые подходы, чтобы лучше использовать наши довольно большие объемы немаркированных данных.
Это, естественно, приводит к рассмотрению сложенных автоэнкодеров, что может быть хорошей идеей. Однако также имеет смысл использовать сверточные нейронные сети, поскольку некоторая фильтрация обычно является очень полезным подходом к ЭЭГ, и вполне вероятно, что рассматриваемые эпохи должны анализироваться локально, а не в целом.
Есть ли хороший способ объединить два подхода? Кажется, что когда люди используют CNN, они обычно используют контролируемое обучение, или что? Два основных преимущества изучения нейронных сетей для моей проблемы - это неконтролируемый аспект и точная настройка (было бы интересно создать сеть на основе данных о населении, а затем, например, выполнить точную настройку для отдельного человека).
Итак, кто-нибудь знает, могу ли я просто предварительно подготовить CNN, как если бы он был «поврежденным» автоэнкодером, или это было бы бессмысленно?
Должен ли я рассматривать какую-то другую архитектуру, например, сеть глубоких убеждений?