ScatterFusion：強化された時系列予測のための階層的スキャタリング変換フレームワーク

TL;DR（結論）

ScatterFusionは、数学的に証明された安定性を持つウェーブレットスキャタリング変換と、現代的な階層的アテンション機構を統合することで、複雑な多スケールの時系列依存関係を正確に捉える新しい予測フレームワークである。 学習可能なウェーブレットフィルタを用いる階層的スキャタリング変換モジュール（HSTM）や、スケール適応型特徴強化（SAFE）、多解像度時間アテンション（MRTA）を組み合わせ、データの変形や平行移動に対する不変性を確保している。 7つの主要なベンチマークデータセットを用いた広範な実験において、PatchTSTやTimesNetなどの既存の最先端手法を上回る予測精度を達成し、計算量においても効率的なレベルを維持していることが実証された。

なぜこの問題か

時系列予測は、現代社会の多岐にわたる重要な分野において、意思決定の基盤となる不可欠な技術である。具体的には、エネルギー管理における需要予測、金融市場における価格変動の分析、ヘルスケアにおける患者の状態監視、さらには環境モニタリングにおける気象変化の予測など、その応用範囲は極めて広い。しかし、現実世界の時系列データは、単一の規則性で動いているわけではなく、複数の時間スケールにわたる複雑な依存関係が絡み合っている。また、データの統計的性質が時間とともに変化する非定常性や、極めて入り組んだパターンを含んでいるため、特に長期的な予測を正確に行うことは依然として困難な課題として残されている。 従来の統計的手法であるARIMA（自己回帰和分移動平均モデル）や指数平滑法は、線形な関係のモデル化には適しているものの、現実のデータが持つ複雑な非線形パターンを十分に捉えるには限界がある。近年の深層学習の発展により、循環ニューラルネットワーク（RNN）やTransformerなどのアーキテクチャが時系列予測に導入され、顕著な成果を上げている。…

核心：何を提案したのか

本論文では、多スケールにおける複雑な時間依存関係に起因する時系列予測の課題を解決するために、スキャタリング変換と階層的アテンション機構を相乗的に統合した新しいフレームワーク「ScatterFusion」を提案している。このアプローチの核心は、数学的に厳密な性質を持つウェーブレットスキャタリング変換を深層学習の枠組みに取り入れ、時系列データの局所的および大域的なパターンの両方を効果的に抽出することにある。ScatterFusionは、単に既存の手法を組み合わせるだけでなく、時系列データの特性に合わせて最適化された4つの主要なコンポーネントで構成されている。 第一に、階層的スキャタリング変換モジュール（HSTM）を導入し、学習可能なウェーブレットフィルタを用いて多スケールの不変特徴を抽出する。これにより、データの平行移動や微小な時間的変形に対して堅牢な表現が可能になる。…

続きはログイン/プランで閲覧できます。