第11名方案简述

大家好，我是一名在大学学习计算机科学/统计学的学生，也是 Kaggle 的新手。✋
我对引力波（GW）/信号处理或其他深度学习技能（数据增强、堆叠等）了解不多，所以我主要专注于建模（一维 CNN）。

预处理

• 带通滤波（bpf）30-500
• 带通滤波（bpf）25-1020

数据增强

• Mixup

模型

• 单个 1D-CNN 模型 v1 -> 交叉验证分数 8800，公开榜分数 8800
• 单个 1D-CNN 模型 v2 -> 交叉验证分数 877x，公开榜分数 ?（未尝试）

实验结果

• v1 + v2 平均融合 -> 交叉验证分数 882x，公开榜分数 882x (!)
• v1 + v2 配合预处理方案 1 和 2 -> 交叉验证分数 883x，公开榜分数 8830
• 使用完整数据集 -> 公开榜分数 8833
• 与公开 Notebook 中的单个 CQT 模型进行堆叠（交叉验证分数 875x，感谢 @ragnar123）-> 公开榜分数 8836

对于 1D-CNN 模型，我使用了残差连接和膨胀卷积/标准卷积，网络大约有 24 层，约 200 万个参数。
我试图弄清楚为什么 v1+v2 的集成能带来如此大的提升，并尝试构建一个兼具两者优势的模型，但由于时间不足，我没能实现。

很高兴在我的第一次深度学习比赛中能学到这么多东西并获得金牌！
特别感谢 @hidehisaarai1213 和 @miklgr500 提供了如此棒的 Notebook 作为起点 :)