確率的時系列予測のための異分散性（ヘテロスケダスティシティ）の受容

概要: 確率的時系列予測（PTSF）は、将来の観測に対する予測分布全体をモデル化し、正確な予測と原理に基づく不確実性の定量化の両方を可能にすることを目的としています。PTSFにおける中核的な要件は、異分散性（heteroscedasticity）を受け入れることです。実世界の時系列は、非定常なダイナミクス、レジーム変化、そして外部条件の変化によって生じる、時間変化する条件付き分散を示すためです。しかし、TimeVAEやK^2VAEのような、PTSFに対する既存の非自己回帰型の生成的アプローチの多くは、暗黙的にホモスケダス性（homoscedastic assumption）を課してしまうMSEベースの学習目的に依存しており、それによって時間的異分散性をモデル化する能力が根本的に制限されています。この制限に対処するために、場所-スケール ガウスVAE（LSG-VAE）を提案します。これは、予測される平均と時間依存の分散の両方を、場所-スケール尤度の定式化によって明示的にパラメータ化する、シンプルでありながら効果的な枠組みです。この設計により、LSG-VAEは異分散なアレアトリック不確実性を忠実に捉えることができ、さらに、学習中に高い揮発性を示す観測に対して自動的に重みを下げる適応的減衰メカニズムを導入します。その結果、トレンド予測における頑健性が向上します。9つのベンチマークデータセットに対する大規模な実験により、LSG-VAEが、計算効率の高いままリアルタイムへの導入に適した性能を維持しつつ、15の強力な生成ベースラインを一貫して上回ることが示されました。