時系列予測のための深層自己相関モデリング: 進展と展望

要約: 自己相関は時系列データの特徴の1つであり、各観測値は前の観測値と統計的に依存している。深層時系列予測の文脈では、自己相関は入力履歴とラベル系列の双方に現れ、二つの中心的な研究課題を提示する：(1) 履歴系列の自己相関をモデル化するニューラルアーキテクチャの設計、(2) ラベル系列の自己相関をモデル化する学習目的の考案。近年の研究はこれらの課題に取り組む進展を見せているが、両者の側面を体系的に調査したものは依然として不足している。このギャップを埋めるべく、本論文は自己相関モデリングの観点から深層時系列予測を総合的にレビューする。既存の調査とは対照的に、この研究には二つの顕著な貢献がある。第一に、モデルアーキテクチャと学習目的の両方に関する最近の文献を包含する新しい分類体系を提案する――前者の側面を無視するか不十分に議論する従来の調査と対照的である。第二に、統一された自己相関中心の観点から、調査対象の文献の動機、洞察、発展を徹底的に分析し、深層時系列予測の進化を包括的に概説する。論文とリソースの全リストは https://github.com/Master-PLC/Awesome-TSF-Papers にあります。）