Core Concepts
ランダムプロジェクション層を組み込むことで、ミキサーモデルの多様性を高め、高次元時系列予測の性能を向上させる。
Abstract
本論文では、高次元時系列予測のための新しい手法「RPMixer」を提案している。RPMixerは、既存のミキサーモデルに着想を得つつ、ランダムプロジェクション層を組み込むことで、ミキサーブロック間の多様性を高めている。
具体的には以下の3つの特徴がある:
アイデンティティマッピング接続を重視した設計で、ディープニューラルネットワークのアンサンブル的振る舞いを促進する。
ランダムプロジェクション層を導入し、ミキサーブロック間の多様性を高める。
時系列データを周波数領域で処理することで、周期性のある時系列データの特徴をうまくモデル化する。
提案手法RPMixerは、大規模な空間時間予測ベンチマークデータセットで優れた性能を示し、既存手法を上回る結果を得ている。アブレーション実験の結果から、ランダムプロジェクション層がミキサーブロック間の多様性を高めることが、提案手法の高性能につながっていることが確認できた。
Stats
空間時間予測データセットの各ノードの時系列データは、日単位および週単位のパターンを示している。
提案手法RPMixerの最終出力は、ベースラインモデルと比べて、実際の時系列データに非常に近い予測を行っている。
Quotes
"深層学習モデルは、アイデンティティマッピング接続を組み込むことで、アンサンブルのような振る舞いを示す。"
"多様性はアンサンブルモデルの成功に不可欠な要因であり、中間出力の多様化はアンサンブルモデルのベースラーナーの多様化に相当する。"