第20名方案 [单模型]

我使用 wavenet 作为基线模型。

我发现，在 wave block 之前增加感受野可以提高 CV 和 LB 分数（我认为这之所以有效，是因为序列长度太大了）。因此，我在 wave block 之前使用了 maxpooling1d(2)，并将其与 maxpool1d 之前的信号进行拼接（max pool 的 stride=1）。

神经网络（NN）有 2 个分支：wavenet 和 2 个 bi-gru，两者拼接后接入全连接层。

我发现，结合 Tversky loss 与 CCE（交叉熵损失）可以提高神经网络的准确率并节省训练时间。最终的损失函数为：CCE + focal + Tversky（无平衡处理）。

我使用 GROUP BATCH SIZE=[4000, 50000, 25000, 12500, 10000, 8000, 20000] 进行预测，并对结果取平均。