CombinationTS：時系列予測モデルを理解するためのモジュール型フレームワーク

要旨: 時系列予測における近年の進展は、アーキテクチャの複雑化を急速に押し進めてきましたが、多くの報告された最先端（State-of-the-Art）の向上は統計的に脆弱であったり、誤って帰属されていたりします。私たちは、進歩にはモデル選択からモジュール化された帰属（attribution）への転換が必要だと主張します。つまり、どのコンポーネントが真に性能を駆動しているのかを特定することです。私たちは、CombinationTSという自己完結型の確率的評価フレームワークを提案します。これは、予測モデルを直交するモジュール--入力変換（Input Transformation）、埋め込み（Embedding）、エンコーダ（Encoder）、デコーダ（Decoder）、出力変換（Output Transformation）--に分解し、共通の評価条件空間のもとでそれらを評価します。各コンポーネントを、周辺化された性能（\mu）と安定性（\sigma）によって定量化することで、CombinationTSは脆弱な一点推定を超えた頑健な帰属を可能にします。大規模なペア評価を通じて、私たちは「アイデンティティのパラドックス（Identity Paradox）」を見いだします。すなわち、データの見え方（Embedding）が十分に設計されている場合、パラメータなしのアイデンティティ・エンコーダは、複雑なバックボーンに匹敵、あるいはそれを上回ることが多いのです。さらに、入力変換によって明示的に導入される構造的事前知識は、エンコーダの複雑さを増やすよりも、より好ましい性能-安定性のトレードオフをもたらすことを示し、アーキテクチャ上の必然性（necessity）に対する原理的なベースラインを確立します。