【问题标题】：Intuitive understanding of why CNN 1D works in tabular data直观地理解为什么 CNN 1D 在表格数据中起作用
【发布时间】：2020-01-17 22:46:48
【问题描述】：
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（优于 DNN）？我在一些已发表的论文中看到了这一点（尽管没有提供使用 CNN1D 的原因）、Kaggle 比赛，并且还看到了关于表格数据中 CNN 1d 输入形状的堆栈溢出问题。 （例如：Preparing feeding data to 1D CNN）。虽然我知道我们将 CNN 1D 用于时间序列和 NLP 等序列数据，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？是因为特征之间的空间相关性吗？
【问题讨论】：
标签：
conv-neural-network
tabular
【解决方案1】：
我不确定这是否真的是一个答案，但这个问题实际上不是一个问题……也许我至少可以帮忙解释一下。
这不是 CNN 和/或 DNN 的一般特征。它对输入数据的结构非常具体。
CNN 适用于包含具有额外平移/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”）映射到同一个“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 甚至会产生误导。 DNN 是多层复杂网络。 CNN 是 DNN 的典型子结构/层。