리젝 사유인가요? 오픈 모델을 제 데이터 쉐잎에 맞게 개조해서(12채널로 입력을 받는 사전학습된 모델에 4채널 데이터를 입력시키기 위해 4in12out conv1d 레이어를 입력층에 추가한게 다임) 사용하여 만족할 만한 결과를 내었는데 논문 쓰려고 보니 이게 왜 단순히 레이어를 하나 추가한것만으로 4채널 데이터를 12채널 데이터로 사전학습된 모델에 적용가능한건지 설명이 안되고, 그로 인해 4in12out conv1d채널을 추가하여 낸 결과의 신뢰도가 떨어진다는 측면이 생각이 되는데
아니면 그냥 이렇게 하니 잘 되었다 라고 결론만 내려도 괜찮은 것일까요?
괜찮을리가 없잖 ㅋㅋㅋㅋㅋㅋㅋㅋㅋ - dc App
만약 선생님이시라면 모델 구조를 좀 더 설명가능한 것으로 수정해서 다시 실험한다 vs 4in12out conv1d layer를 추가한것만으로 괜찮은 성능을 낸 이유에 대해 분석하는데 집중한다. 뭘 선택하실건가요?
둘중 하나라면 후자긴 한데 나같음 논문 안씀
성능 잘나오는데 왜인지 명확힌 몰라서 가설제시하는 정도까지는 많이 보이는데 본문 경우는 아예 말도안되는 방법이라 설명 안되면 스캠인줄 알듯
오직 하나의 conv1d 레이어를 추가한게 말도 안되는 방법이라는 것이시죠?
ㄴㄴ pretrain을 뒤에붙인게 말이 안되는데. 앞에 random init된걸 넣으면 pretrain 모델이 학습한거랑 상관없는 랜덤한 값들이 들어갈거고 따라서 학습해놓은게 전혀 활용되는 구조가 아님
4in12out conv1d 레이어에서 나오는 출력값들이 곧 제가 입력한 데이터라고 생각하면 그냥 입력데이터 아닌가요? 랜덤한 값이라기에는 원본 데이터가 conv1d레이어를 거쳐 나온 출력값이 이 모델이 원래 사전 훈련되었던 데이터와 유사해 질 수 있다고 볼 수 있을 것 같은데..
1) 일단 정상적인 논문의 전개 순서는 "문제를 정의함 > 가설을 세움 > 세운 가설을 확인해봄 > 검증을 통해 결론을 냄"임 2) 리젝/억셉에 대한 부분은 개인적으로 아이디어와 컨트리뷰션이 큰 부분을 차지한다고 생각하는데 컨트리뷰션이 떨어진다고 생각함
굳이 생각해보면 lp-ft랑비슷하다고 봐야되나
리젝당할것같네요
일반적으로 적용될 수 있는 방법일수록 논문의 가치가 올라감. 너가 제안한 모델이나 학습방법이 얼마나 일반적으로 적용할수있는지 생각해보셈