DySCo：効果的な長期時系列予測のための動的セマンティック圧縮

arXiv cs.LG / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、無関係な過去のノイズを除去し、計算上の冗長性を削減することで、長期時系列予測を改善することを目的とした動的セマンティック圧縮フレームワーク「DySCo」を提案する。
固定的なヒューリスティックに頼るのではなく、冗長なトレンドを圧縮しつつ、高エントロピーのセグメントを自律的に保持するEntropy-Guided Dynamic Sampling（EGDS）メカニズムを提案する。
DySCoはさらに、疎なサンプリングでも重要な詳細が失われないように、高周波の異常と低周波のパターンを分離するHierarchical Frequency-Enhanced Decomposition（HFED）アプローチを追加する。
Cross-Scale Interaction Mixer（CSIM）を用いて、単純な線形集約よりも効果的に、グローバルな文脈とローカルな表現を融合する。
実験では、DySCoが主流の時系列予測モデルに対して汎用的な「プラグ＆プレイ」モジュールとして機能し、長期相関の捕捉能力を高めつつ計算コストを削減できると主張している。

Abstract

時系列予測（TSF）は、金融、気象学、エネルギーなどの幅広い領域において重要です。理論的には参照（lookback）ウィンドウを拡張することでより豊かな履歴コンテキストを得られる一方、実際にはしばしば無関係なノイズや計算上の冗長性が増え、モデルが複雑な長期依存関係を効果的に捉えることを妨げます。これらの課題に対処するため、我々はDynamic Semantic Compression（DySCo）フレームワークを提案します。固定的なヒューリスティックに依存する従来手法とは異なり、DySCoは、Entropy-Guided Dynamic Sampling（EGDS）という仕組みを導入し、冗長なトレンドを圧縮しながら、高エントロピーの区間を自律的に特定して保持します。さらに、階層的周波数強調分解（HFED）戦略を組み込み、高周波の異常と低周波のパターンを分離することで、疎なサンプリング時にも重要な詳細が保持されることを保証します。最後に、Cross-Scale Interaction Mixer（CSIM）を設計し、単純な線形集約を置き換えて、グローバルなコンテキストとローカル表現を動的に融合させます。実験結果は、DySCoが汎用的なプラグアンドプレイ型モジュールとして機能し、計算コストを抑えつつ、主流モデルの長期相関を捉える能力を大幅に向上させることを示しています。