可逆リザーバル正規化が時空間分布シフトを緩和

要旨: 分布シフトは、深層予測モデルの性能を大幅に低下させます。この問題は個々の時系列に対しては十分に研究されている一方で、時空間領域では依然として重大な課題です。インスタンス正規化やその派生手法のような有効な解決策は、統計量を標準化することで時間的シフトを緩和できます。しかし、グラフ上での分布シフトは、個々のノード系列のドリフトだけでなく、空間ネットワーク全体における異質性も含みます。つまり、異なるノードは異なる統計的性質を示すためです。この問題に対処するために、分布シフトを空間次元と時間次元の両方で扱う、新しい枠組みである可逆残差正規化（Reversible Residual Normalization: RRN）を提案します。本手法は、基礎となるグラフ構造を尊重しつつ可逆性を維持する適応的な正規化を可能にするため、可逆的な残差ブロックの内部にグラフ畳み込み操作を統合します。さらに、センタ正規化とスペクトル制約付きグラフニューラルネットワークを組み合わせることで、複雑な時空間（Spatio-Temporal）関係をデータ駆動の方法で捉え、正規化します。本枠組みの双方向性により、モデルは正規化された潜在空間で学習し、逆変換によって元の分布的性質を回復できます。これは、動的な時空間システムにおける予測に対して、堅牢でモデル非依存な解決策を提供します。