分離可能で解釈可能な表現による効率的な長期時系列予測

インダストリー5.0は、高次元かつ高解像度の時系列データと、重大な影響を及ぼす応用シナリオを特徴とする、長期時系列予測（Long-term Time Series Forecasting: LTSF）に対して新たな課題を提示している。このような背景のもと、効率的かつ解釈可能性を備えたLTSFモデルの開発が重要な課題となっている。従来の深層学習モデルおよび線形モデルは、パラメータの複雑さが過剰であり、直感的な解釈性に欠けるという問題を抱えている。こうした課題に対応するため、本研究では「DiPE-Linear」と呼ばれる、分離型で解釈可能かつパラメータ効率的な線形ネットワークを提案する。DiPE-Linearは、静的周波数アテンション（Static Frequential Attention: SFA）、静的時系列アテンション（Static Temporal Attention: STA）、および独立周波数マッピング（Independent Frequential Mapping: IFM）の3つの時系列成分を組み込み、周波数領域と時系列領域を交互に学習することで、分離された解釈可能性を実現している。この分解されたモデル構造により、全結合層（Fully Connected layers: FCs）におけるパラメータの複雑さが二次関数的から線形に、計算コストも二次関数的から対数線形に削減される。さらに、低ランク重み共有（Low-Rank Weight Sharing）戦略を導入することで、多変量時系列の処理能力が向上する。FCsの部分空間内で表現力に限界があるにもかかわらず、DiPE-Linearは複数のオープンソースおよび実世界のLTSFデータセットにおいて、FCsおよび非線形モデルと同等、あるいはそれ以上の性能を示しており、その巧妙に設計された構造の有効性が実証された。効率性、精度、解釈可能性の三つを兼ね備えたDiPE-Linearは、研究および実用応用の両面でLTSFの進展を推進する有力な候補となる。ソースコードは以下のURLから公開されている：https://github.com/wintertee/DiPE-Linear。