Foreclassing：時間データに基づく人間の意思決定を捉える新しい機械学習の観点

Abstract

時系列予測は、意思決定を導くために広く用いられています。人間の意思決定者はこれらの予測を解釈し、これまでの経験と将来の結果に関する不確実性を取り込み、その後に意思決定を行います。本論文では、Foreclassingと呼ぶ新しい機械学習の問題設定を提案します。これは、そのような意思決定プロセスにおける人間の関与を自動化することを目的とする状況に対応するものです。私たちの目標は、入力として時系列を受け取り、予測を生成し、その予測に対する予測的不確実性を考慮し、さらに下流の分類の意思決定を行う統一されたエンドツーエンドモデルを開発することです。これにより、時間的な意思決定タスクを支援、あるいは自動化できるようなモデルを実現します。関連する問題は幅広い応用分野で生じますが、文献には統一的な手法と、形式的な問題設定の両方が欠けています。課題を形式化することで、こうしたモデルに関する研究を促し、領域横断の協力を後押しすることを目指します。Foreclassing問題を解くために、深いベイズニューラルネットワークであるForeClassNetを提案します。この枠組みの一部として、畳み込み層におけるカーネルサイズの確率的な学習を可能にする、新しい種類のニューラルネットワーク層であるボルツマン畳み込み（Boltzmann convolutions）を導入します。私たちはForeclassingの枠組みを標準的な時系列分類手法と比較評価し、気象・エネルギー・金融といった領域の実世界のForeclassingデータセットに対してForeClassNetの有効性を示します。これにより、最先端の時系列分類器に対して優れた性能を達成します。