要約
長期予測は、長時間系列を扱う際の時間的・メモリ的複雑性のため、独自の課題を抱えている。従来の手法は、長時間系列を処理するためにスライディングウィンドウに依存しているが、そのような短いウィンドウ内に部分的に含まれる長期的な変動（すなわち、ウィンドウ外の変動）を効果的に捉えることが困難である。本論文では、対照学習（contrastive learning）と強化された分解アーキテクチャを活用することで、この制約を克服する新たなアプローチを提案する。特に、長期的な変動に注目することを目的として設計されたこのアプローチにおいて、我々の対照損失は時間系列全体に保持されたグローバル自己相関（global autocorrelation）を組み込み、自己教師あり（self-supervised）な方法でポジティブペアとネガティブペアを構築することを可能にする。この分解ネットワークと組み合わせることで、対照学習は長期予測性能を著しく向上させる。広範な実験の結果、我々の手法は9つの長期予測ベンチマークにおいて、14種類のベースラインモデルを上回る性能を示した。特に、予測出力が非常に長いことを要する困難なシナリオにおいて顕著な優位性が確認された。ソースコードは以下のURLで公開されている：https://github.com/junwoopark92/Self-Supervised-Contrastive-Forecasting。