基于深度学习的噪声数据膝点检测

曲线上的膝点是曲线在增加后趋于平缓的点. 在计算机系统中,它标志着系统性能不再显著提升 despite 添加额外资源 的点.因此,膝点常代表着决策的最优点.然而,在噪声数据中识别膝点是一个具有挑战性的任务.所有之前的工作都基于原始尺度的数据定义膝点.然而,在本工作中,我们基于归一化数据定义膝点,并为归一化离散数据点提供了基于连续函数数学意义上曲率的定义.讨论了归一化对曲率和膝点位置的影响.然而,在缺乏真实数据和基准数据集的情况下,评估方法的有效性很难进行,这使得比较现有方法具有挑战性.鉴于此,我们创建模拟数据来模拟真实世界情景.我们通过选择具有本研究所需特征的函数集合,然后引入满足底层分布的噪声来实现此目标.此外,我们提出了深度学习方法,并采用具有 U-Net 类结构的卷积神经网络 (CNN),准确检测 underlying true 分布的膝点(s).该模型在所有模拟数据集上进行了评估,与最先进的方法进行了比较.实验表明,我们的网络在所有模拟数据集上均优于现有方法,无论样本是否具有单个或多个膝点.事实上,在所有测试集中,我们的模型在所有现有方法中均取得最佳 $F_1$ 分数.