MLOW: 時系列予測のための複数の効果の解釈可能な低ランク周波数振幅分解

概要: 時系列における複数の効果を分離することは基本的であると同時に、時系列予測（TSF）にとっては難題です。とはいえ、既存のTSFモデルは滑らかさに基づく時間的手法によって解釈可能なマルチエフェクト分解を効果的に学習することができません。ここで、新しい解釈可能な周波数ベースの分解パイプラインMLOWはこの洞察を捉えます：時系列は振幅スペクトルと、それに対応する位相対応の基底関数の積として表現でき、時系列の振幅スペクトル分布は異なる効果に対して常に観察可能なパターンを示します。MLOWは振幅スペクトルの低ランク表現を学習し、支配的なトレンドと季節的な効果を捉えます。PCA、NMF、Semi-NMFを含む低ランク手法を検討しましたが、解釈可能で効率的かつ一般化可能な分解を同時に達成できるものはありませんでした。したがって、ハイパープレーン非負行列分解（Hyperplane-NMF）を提案します。さらに、高品質な低ランク分解を制限する周波数（スペクトル）リークを解決するために、MLOWは数学的機構により入力ホライゾンと周波数レベルを柔軟に選択できるようにします。視覚的分析は、MLOWが解釈可能で階層的な複数エフェクト分解を可能にし、ノイズに対して頑健であることを示しています。従来のTSFバックボーンに対しても、顕著な性能向上をもたらしつつ、最小限のアーキテクチャ変更でプラグアンドプレイを可能にします。