VC理論的一般化境界に基づく時系列データの局所線形継続学習

Abstract

ほとんどの機械学習手法は固定された確率分布を前提とし、非定常な現実世界のシナリオでの適用性を制限します。継続学習法はこの問題に対処しますが、現在のアプローチはしばしばブラックボックスモデルに依存するか、解釈性のために広範なユーザー介入を必要とします。私たちは SyMPLER（Systems Modeling through Piecewise Linear Evolving Regression）を提案します。非定常環境における時系列予測のための説明可能なモデルで、動的な区分的線形近似に基づきます。他の局所線形モデルとは異なり、SyMPLER は統計的学習理論の一般化境界を用いて、予測誤差に基づいて新しい局所モデルを追加する時期を自動的に決定し、データの明示的なクラスタリングを不要にします。実験は、SyMPLER がブラックボックスモデルおよび既存の説明可能モデルの両方と同等の性能を達成できる一方で、人間が解釈できる構造を維持し、システムの挙動についての洞察を明らかにすることを示しています。この意味で、我々のアプローチは精度と解釈可能性を両立させ、非定常な時系列の予測に対する透明で適応的な解決策を提供します。