SCINet: サンプル畳み込みと相互作用を用いた時系列モデリングと予測

時間系列の特徴の一つは、ダウンサンプリングによって2つの部分列に分割しても、時系列関係が大部分保存されることである。この特性を活用し、時系列モデリングと予測のためにサンプル畳み込みと相互作用を行う新しいニューラルネットワークアーキテクチャを提案する。これをSCINet（Sample Convolution and Interaction Network）と呼ぶ。具体的には、SCINetは再帰的なダウンサンプリング-畳み込み-相互作用アーキテクチャである。各層では、複数の畳み込みフィルターを使用して、ダウンサンプリングされた部分列や特徴から異なるが価値のある時系列特徴を抽出する。これらの多次元解像度から集約された豊富な特徴を組み合わせることで、SCINetは複雑な時系列動態を持つデータを効果的にモデル化することができる。実験結果は、様々な実世界の時間系列予測データセットにおいて、既存の畳み込みモデルやTransformerベースのソリューションに対してSCINetが有意な予測精度向上を達成していることを示している。当該コードおよびデータはhttps://github.com/cure-lab/SCINet で公開されている。