DecompKAN：長期時系列予測のための分解パッチKAN

arXiv cs.LG / 2026/4/28

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

DecompKANは、注目（attention）を用いない軽量な時系列予測モデルで、トレンド–残差分解、チャネルごとのパッチ化、学習済みインスタンス正規化、Bスプラインのコルモゴロフ＝アーノルドネットワーク（KAN）エッジ関数を組み合わせています。
モデルのKANエッジは、学習されたパッチ埋め込み座標上で明示的かつ検査可能な1次元のスカラー関数を学習し、潜在的な非線形変換を可視化できるようにします。
標準ベンチマークで、DecompKANは多くのデータセット–ホライズンの組み合わせおよび同一レシピの比較において、MSEが最良または同率最良となるケースが多数あり、特に滑らかな時間ダイナミクスを持つデータセットや生理時系列（PPG-DaLiAなど）で効果が目立ちます。
アブレーション分析では、性能の主な要因はアーキテクチャ全体のパイプライン（分解・パッチ化・正規化）であり、KANは主に学習変換を検査可能にすることで解釈性を高めることが示唆されています。
ドメイン別の可視化では、異なる科学・生理領域で学習される非線形性が質的に異なることが示され、この研究の「透明性」志向を裏付けています。

要旨: 気候モデリング、生理学的モニタリング、エネルギーシステムなどの科学領域における正確な時系列予測は、競争力のある予測とモデルの透明性の双方によって恩恵を受ける。本研究では、トレンド・残差分解、チャネルごとのパッチング、学習済みインスタンス正規化、Bスプラインのコルモゴロフ＝アルノルド・ネットワーク（KAN）のエッジ関数を組み合わせた、軽量で注意機構を用いないアーキテクチャ DecompKAN を提案する。各 KAN のエッジは、学習されたパッチ埋め込み座標上で明示的で検査可能な 1 次元のスカラー関数を学習し、直接可視化できる。標準的なベンチマークにおいて、DecompKAN は、選定した公開ベースラインのうち 32 のデータセット-ホライゾン組み合わせの 15 において最良または同等最良の MSE を達成し、さらに、9 つのデータセット（生理学的 PPG-DaLiA ベンチマークを含む）にまたがる制御された同一レシピ評価では、36 の比較のうち 20 において最良または同等最良の MSE を達成する。アーキテクチャは、時間的ダイナミクスが滑らかなデータセット（Solar -17%、ECL -10%（iTransformer、Weather に対して））および生理学的時系列において特に強みを示す。学習されたエッジ関数の可視化により、領域間で定性的に異なる潜在的な非線形性が明らかになる。アブレーション分析は、アーキテクチャのパイプライン（分解、パッチング、正規化）が、非線形層の選択よりも性能に大きく寄与する一方で、KAN の定式化によって学習された潜在変換を検査可能にすることを示している。