GLinear を用いた簡素さと洗練の橋渡し: 時系列予測の向上を目的とした新規アーキテクチャ

時系列予測（Time Series Forecasting: TSF）は多くの分野で重要な応用を持っています。トランスフォーマーが長いシーケンスの理解に優れている一方で、時系列データにおける時間的な関係性を保つのが困難であるという議論があります。最近の研究では、複雑なトランスフォーマーベースのモデルと比較して、より単純な線形モデルがTSFタスクにおいて同等かそれ以上の性能を発揮する可能性があることが示唆されています。本論文では、周期パターンを利用することでより高い精度を提供し、他の最先端の線形予測器よりも少ない履歴データを使用してより良い予測精度を達成する新しいデータ効率的なアーキテクチャ、GLinearを提案します。提案された予測器の性能評価には4つの異なるデータセット（ETTh1、Electricity、Traffic、Weather）が使用されました。最先端の線形アーキテクチャ（NLinear, DLinear, RLinearなど）やトランスフォーマーベースの時系列予測器（Autoformer）との性能比較では、GLinearはパラメトリックに効率的でありながら、多変量TSFのほとんどのケースで既存のアーキテクチャを大幅に上回ることが示されました。私たちは、提案されたGLinearがより単純かつ洗練されたアーキテクチャの研究開発に新たな道を開くことを期待しています。これらのアーキテクチャはデータ効率と計算効率の両面から時系列分析を進めるのに寄与すると考えられます。