2/26 :: ML PJT 발표

 

 

 

 

2024.02.26 발표 Feedback 판서

사실 catboost가 메인이 되기 힘든 대회

Deep Learning
1. eeg 를 자체 signal로 해석
- wavenet
- 1D

singal transition

2. spectrogram 변환 및 RGB color로 해석

EfficientNetB0,1,2..

3. Reasearch 논문
1D resnet & gru part

같은 eeg 데이터 여부 미지수지만,
비교적 높은 성능을 가져오고 있고 공개되어있음

아주 원론적으로 가면,
EEG라는 신호를 해석할 수 있어야함

그 데이터를 시각화하여 봤을 때 골라내는 것들이 중요할 듯함

EEG를 알고 있다는 의사와 달리

이런 류의 대회는 그런 것들을 잘 판단할 수 있는
도메인 paper를 읽어보기 or 실제로 필터를 적용하는 등 outlier를 사용하는 방식이 효과적

 if. image 방법론
큰 2가지 방법론
1. EfB0, B4, B2 테스트 → 성능향상시 큰 모델을 사용하는게 효과적일거라 생각함
2. Vit 계열 - 큰 사이즈의 모델로 가는 것 > transfering = 테스트 해볼 가능성 있다

이후 Vit 학습가능 리소스에 따라 판단하여 적당한 규모까지 키우는 것을 추천함
(overfitting 위험성)

모델 크기를 키우는게 답이 아닐수도 있으니 data augmentation 병행하며 판단하기