現実的な合成多変量時系列のためのダイナミック線形コレジオナル化

Abstract

合成データは時系列の基盤モデル（FMTS）の学習に不可欠ですが、ほとんどの生成器は静的な相関を前提としており、現実的なチャンネル間の依存関係が欠落していることが一般的です。私たちは、時間変化し、レジームが切り替わる相関と、クロスチャネルのラグ構造を取り入れた「DynLMC（Dynamic Linear Model of Coregionalization）」を提案します。この手法は、実データに非常に近い相関ダイナミクスを持つ合成の多変量時系列を生成します。DynLMCで生成したデータで3つの基盤モデルをファインチューニングすると、9つのベンチマークすべてで一貫してゼロショット予測の改善が得られます。これらの結果は、動的なチャンネル間相関をモデル化することでFMTSの転移可能性が向上することを示しており、データ中心の事前学習の重要性を強調しています。