Zeitfaltungsnetze

Kurzbeschriebung

Zeitfaltungsnetze (Temporal Convolutional Networks, TCNs) sind eine Klasse tiefer neuronaler Netze für die Modellierung von zeitlichen Sequenzen, die auf kausalen, eindimensionalen Faltungsoperationen basieren. Im Gegensatz zu rekurrenten Netzen verarbeiten TCNs Sequenzen vollständig parallel und vermeiden explizite Rückkopplungsschleifen.

Zentrale Bausteine sind kausale Faltungen, bei denen der Output zu Zeitpunkt '"`UNIQ--math-00000000-QINU`"' ausschließlich von Eingaben '"`UNIQ--math-00000001-QINU`"' abhängt, sowie dilatierte Faltungen, die den zeitlichen Rezeptionsbereich exponentiell vergrößern. Eine typische Faltung hat die Form '"`UNIQ--math-00000002-QINU`"', wobei '"`UNIQ--math-00000003-QINU`"' der Dilatationsfaktor ist.

TCNs verwenden meist Residualblöcke, Normierung und Dropout, was zu stabilerem Training auch bei sehr tiefen Architekturen führt. Sie können lange zeitliche Abhängigkeiten erfassen und zeigen in vielen Anwendungen vergleichbare oder bessere Leistung als LSTM- oder GRU-Netze.

Durch ihre rein konvolutionale Struktur sind TCNs gut skalierbar, deterministisch in der Laufzeit und einfacher zu parallelisieren als rekurrente Modelle. Gleichzeitig bleiben sie stark nichtlinear und datengetrieben.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen werden Zeitfaltungsnetze für die Analyse medizinischer Zeitreihen eingesetzt, etwa Vitalparameter, Intensivmonitoring, EKG-/EEG-Signale oder longitudinale EHR-Daten. Sie eignen sich besonders, wenn lange zeitliche Abhängigkeiten relevant sind und eine stabile, reproduzierbare Modellierung benötigt wird.

In Public Health finden TCNs Anwendung bei der Zeitreihenprognose von Inzidenzen, Hospitalisierungen oder Ressourcenbedarf sowie bei der Analyse hochfrequenter Surveillance-Daten. Sie werden häufig als leistungsstarke Alternative zu rekurrenten Netzen oder als Bestandteil von Ensemble- und Hybridmodellen genutzt.

Sonstiges

Parallelisierbar und stabiler als viele RNNs

Gute Modellierung langer Zeitabhängigkeiten

Interpretierbarkeit begrenzt, aber besser lokalisierbar als bei RNNs

Semantik

Wikidata-Identifikator ist: Q65024731

Deutsche Wikipediaseite ist: Temporal_Convolutional_Network

Englische Wikipediaseite ist: Temporal_convolutional_network

Quelle: Bai, Kolter & Koltun (2018), An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist mittel;groß„Mittel;groß“ befindet sich nicht in der Liste (Groß, Mittel, Klein) zulässiger Werte für das Attribut „Für die Methode benötigte Datenmenge ist“.

Zweck der Methode ist Vorhersage„Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Tiefes Lernen;Maschinelles Lernen;Operationale Vorhersage„Tiefes Lernen;Maschinelles Lernen;Operationale Vorhersage“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist mittel;schlecht„Mittel;schlecht“ befindet sich nicht in der Liste (Gut, Mittel, Schlecht) zulässiger Werte für das Attribut „Interpretierbarkeit der Ergebnisse der Methode ist“.

Webseite: https://github.com/locuslab/TCN