多変量時系列予測のためのチャネル別リトリーバル

arXiv cs.LG / 2026/4/8

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

複数変数の時系列予測では、固定の参照窓により長期依存を捉えにくく、従来のリトリーバル拡張手法はチャネル一律の参照で変数間の多様性を見落としがちだと指摘しています。
提案手法CRAFT（Channel-wise retrieval-augmented forecasting）は、各チャネルごとに独立して参照（履歴セグメント）を検索することで、チャネル固有の周期性やスペクトル特性を反映します。
効率のためCRAFTは2段階のパイプラインを採用し、時間領域で疎なリレーショングラフにより候補を絞り込み、その後周波数領域のスペクトル類似度で参照を順位付けします。
実験では7つの公開ベンチマークで最先端の予測ベースラインを上回り、精度と実運用可能な推論効率を両立できることを示しています。

Abstract

多変量時系列予測は、固定された参照窓（lookback window）のために長期的な依存関係を捉えるのがしばしば困難です。検索拡張型の予測は、メモリから過去のセグメントを取得することでこの問題に対処しますが、既存の手法はチャネルに非依存な戦略に依存しており、すべての変数に同じ参照を適用します。これは、変数間の不均一性（inter-variable heterogeneity）を無視することにつながります。つまり、異なるチャネルが異なる周期性やスペクトル特性を示すのです。我々は、各チャネルに対して独立に検索を行う新しい枠組みである CRAFT（Channel-wise retrieval-augmented forecasting）を提案します。効率性を確保するために、CRAFT は二段階のパイプラインを採用します。時間領域で構築された疎な関係グラフが無関係な候補を絞り込み、周波数領域でのスペクトル類似度が参照を順位付けします。これにより、卓越した周期成分を強調しつつノイズを抑制します。7つの公開ベンチマークでの実験により、CRAFT が最先端の予測ベースラインを上回り、実用的な推論効率を維持しながらより高い精度を達成することを示します。