问适用于活动识别数据集特征提取的自动编码器

EN

我有表示传感器输出的文本数据。

数据集

1458996986002;    11.43,-15.86,11.20,508.26;        -1.59,-0.22,6.17,40.68;        126.0,-150.9,-105.0,49671.81;        Walk
1459002923002;    16.69,-12.68,13.96,634.65;        -2.55,2.13,4.87,34.87;         126.0,-150.9,-105.0,49671.81;        Walk


timestamp;    acc_x,acc_y,acc_z;    gyro_x,gyro_y,gyro_z;    magn_x,magn_y,magn_z;    ActivityName

我的目标是:在将其输入递归神经网络(GRU/LSTM)之前，从文本行中提取特征。因此，我的目标是自动提取特征。这些提取的特征(编码器网络)将在神经网络之前用于活动识别任务(分类)。

我的问题是:哪一个自动编码器(去噪，变分，稀疏)适合这样的数据集？还是我应该用RBM代替？在选择了一种特征提取方法之后，如何比较输入和输出，因为输入不是0和1s。

我所读到的:我读到RBM是一种生成模型，即使你提供了一些类似的输入，它也能产生类似的正确输出。训练自动编码器是上述(1) 变得更容易(2)而不是RBM。另一方面，变分自动编码器可以做一些类似的事情(生成性)。第一个问题是有生成能力对上述问题有什么好处，因为在训练结束时，我只会使用编码器部分并抛出解码器层？如果没有，去噪自动编码器似乎是正确的方法我的意见。

最后一件事:我知道要迫使网络从数据中学习重要的特性(而不是记忆)，您可以选择以下方法: 1) 像夹层一样使用三明治，2)在输入中添加噪声3) 正则化自动编码器=使一些节点同时活动