ParaRNN：時系列データ向けの解釈可能で並列化可能な再帰型ニューラルネットワーク
arXiv stat.ML / 2026/5/5
📰 ニュースModels & Research
要点
- 本論文では、従来のRNNが抱える解釈性の低さと学習の遅さに対処するため、複数の小さな再帰ユニットから成る新しいRNNアーキテクチャ「ParaRNN」を提案する。
- ParaRNNは、再帰的なダイナミクスを解釈可能な成分へ分解する加法的な表現を提供し、「recurrence features」によって挙動を特徴づけられる。
- この解釈性により、時系列データに対するノンパラメトリック回帰といった応用が可能になることを示す。
- ノンパラメトリック回帰の設定において、ParaRNNの近似能力と非漸近的な予測誤差の上界を理論的に確立する。
- 3つの逐次モデリング課題での実験では、ParaRNNがバニラRNNと同等の性能を維持しつつ、解釈性と効率を改善できることが示される。
