直观理解 CNN 1D 为什么适用于表格数据

Question

谁能解释一下为什么一维卷积神经网络有时在表格数据上表现良好（比 DNN 更好）？我在一些已发表的论文（尽管没有提供使用 CNN1D 的原因）、Kaggle 竞赛中看到过这一点，并且还在堆栈溢出中看到了有关表格数据中 CNN 1d 输入形状的问题。（例如：准备向 1D CNN 提供数据）。虽然我知道我们将 CNN 1D 用于序列数据（例如时间序列和 NLP），但将 CNN 1D 用于表格数据背后的直观想法是什么？为什么它有效？是由于特征之间的空间相关性吗？

Answer 1

我不确定这真的是一个答案，但这个问题实际上不是一个问题……也许我至少可以帮助解释一下。

这不是 CNN 和/或 DNN 的一般特征。它对于输入数据的结构非常具体。

CNN 适用于包含具有附加平移/对称性的结构/模式的数据。“卷积”意味着将输入数据的许多不同子部分（任何维度的“窗口”）映射到相同的“内核”网络上。因此，网络可以普遍学习，而与“窗口”的位置无关。

我认为区分 CNN 和 DNN 甚至根本就具有误导性。DNN 是多层复杂网络。CNN 是 DNN 的典型子结构/层。