CNNをオートエンコーダとしてトレーニングすることには意味がありますか？

私は脳波データの分析に取り組んでいますが、最終的には分類する必要があります。ただし、レコーディングのラベルを取得するにはいくらか費用がかかるため、非常に大量のラベルなしデータをより適切に利用するために、教師なしアプローチを検討するようになりました。

これは当然、スタックオートエンコーダの検討につながりますが、これは良いアイデアかもしれません。ただし、畳み込みニューラルネットワークを使用することも意味があります。これは、何らかのフィルタリングがEEGに対して非常に有用なアプローチであり、考慮されるエポックが全体ではなくローカルで分析される必要があるためです。

2つのアプローチを組み合わせる良い方法はありますか？人々がCNNを使用するとき、彼らは一般的に教師付きトレーニングを使用しているようです、または何ですか？私の問題についてニューラルネットワークを探索することの2つの主な利点は、教師なしの側面と微調整であるようです（たとえば、人口データにネットワークを作成し、次に個人を微調整することは興味深いでしょう）。

それで、CNNが「不自由な」オートエンコーダであるかのようにCNNを事前トレーニングできるのか、それとも無意味なのか、誰かが知っていますか？

たとえば、深い信念ネットワークなど、他のアーキテクチャを検討する必要がありますか？

はい、CNNをオートエンコーダーやその他の監視なしの方法で使用することは理にかなっています。確かに、CNNを教師なしトレーニングと組み合わせるさまざまな方法が、（畳み込みおよび/またはスタック）オートエンコーダーの使用を含め、EEGデータで試されてきました。

例：

EEG記録のディープフィーチャーラーニングでは、カスタム制約付きの畳み込みオートエンコーダーを使用して、対象と試験全体の一般化を改善します。

深い畳み込みニューラルネットワークによるドライバーの認知パフォーマンスのEEGベースの予測は、単一の電極で畳み込み深い信念ネットワークを使用し、それらを完全に接続されたレイヤーと組み合わせます。

脳波運動画像信号の分類のための新しい深層学習アプローチは、教師あり訓練済み（かなり浅い）CNNの出力に完全に接続されたスタックオートエンコーダーを使用し。

しかし、純粋に監視されたCNNもEEGデータで成功しました。たとえば、次を参照してください。

EEGNet：EEGベースの脳コンピューターインターフェイス用のコンパクトな畳み込みネットワーク

脳のマッピングと人間の脳波からの運動関連情報の復号化のための畳み込みニューラルネットワークによる深層学習（開示：私はこの作品の最初の著者であり、より関連する作品は44ページを参照）

EEGNetペーパーは、試行回数が少ない場合でも、CNNの純粋に監視されたトレーニングがベースラインよりも優れていることを示しています（図3を参照）。また、288回のトレーニングトライアルのみのデータセットでの経験では、純粋に監視されたCNNは正常に機能し、従来のフィルターバンクの一般的な空間パターンのベースラインをわずかに上回っています。

はい、オートエンコーダ設定でたたみ込みネットワークを使用できます。何も奇妙なことはありません。人々はデコンボリューションレイヤーを理解するのに問題を抱えていますただし、があります。

ここでは、Kerasフレームワークを使用したたたみ込みオートエンコーダの例を見つけることができます。https：//blog.keras.io/building-autoencoders-in-keras.html