Saya bekerja dengan menganalisis data EEG, yang pada akhirnya perlu diklasifikasikan. Namun, mendapatkan label untuk rekaman agak mahal, yang membuat saya mempertimbangkan pendekatan yang tidak diawasi, untuk lebih memanfaatkan data kami yang tidak berlabel dalam jumlah yang cukup besar.
Ini secara alami menyebabkan mempertimbangkan autoencoder bertumpuk, yang mungkin merupakan ide yang bagus. Namun, juga masuk akal untuk menggunakan jaringan saraf convolutional, karena beberapa jenis penyaringan umumnya merupakan pendekatan yang sangat berguna untuk EEG, dan ada kemungkinan bahwa zaman dianggap harus dianalisis secara lokal, dan tidak secara keseluruhan.
Apakah ada cara yang baik untuk menggabungkan kedua pendekatan tersebut? Tampaknya ketika orang menggunakan CNN, mereka biasanya menggunakan pelatihan yang diawasi, atau apa? Dua manfaat utama menjelajahi jaringan saraf untuk masalah saya tampaknya adalah aspek yang tidak diawasi, dan penyempurnaan (akan menarik untuk membuat jaringan pada data populasi, dan kemudian menyempurnakan individu, misalnya).
Jadi, adakah yang tahu kalau saya bisa melakukan pra-uji CNN seolah-olah itu adalah autoencoder yang "lumpuh", atau apakah itu sia-sia?
Haruskah saya mempertimbangkan beberapa arsitektur lain, seperti jaringan kepercayaan yang mendalam, misalnya?