ガイダンスによる予測：時系列予測のための表現レベルの教師あり学習
arXiv cs.LG / 2026/3/26
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、誤差ベースの損失で学習するエンドツーエンドの深層時系列予測では、情報量は大きいが極端なパターンをモデルが無視してしまい、その結果として過度に滑らかな予測になり、さらに時間的表現が弱くなることがあると主張している。
- 既存の予測アーキテクチャにプラグイン可能な学習手法として ReGuider を提案する。ReGuider は、事前学習済みの時系列基盤モデルをセマンティック・ティーチャーとして用いることで統合を実現する。
- ティーチャーの最終出力を蒸留するのではなく、表現レベルの教師あり学習（representation-level supervision）として、ティーチャーと対象モデルの中間埋め込み表現を整合させることで、時間的およびセマンティックな特徴を強化する。
- 複数のデータセットとアーキテクチャにまたがる実験により、ReGuider が一貫して予測精度を向上させることが示され、効果と汎用性の両方が確認される。
- 本アプローチは、予測に対する教師信号を「表現の整合」として捉え直し、平均化損失の学習で洗い流されがちな重要な時間的ダイナミクスを保持することを目指している。
