この問題の解決策の1つとして、「FreDF:Learning to Forecast in Frequency Domain」という論文で提案された方法が挙げられます。この論文の著者は、周波数ゲイン(FreDF)を用いた直接予測手法を提案しました。この方法では、予測値とラベルのシーケンスを周波数領域で整列させることにより、DFパラダイムを再定義しています。周波数領域に移行することで、基底が直交かつ独立した形になり、自己相関の影響を効果的に軽減することができます。これにより、FreDFは、DFに関する仮定とラベルの自己相関の存在との不整合を解消しつつ、DFの利点を保持することを可能にしています。
新しい記事「ニューラルネットワークが簡単に（第91回）：周波数領域予測(FreDF)」はパブリッシュされました:
周波数領域における時系列の分析と予測を継続的に探求していきます。この記事では、これまでに学習した多くのアルゴリズムに追加できる、周波数領域でデータを予測する新しい方法について説明します。
近年、注目を集めているモデルの1つに、動的な自己相関推定に自己アテンション(self-attention)メカニズムを組み込んだTransformerアーキテクチャに基づくものがあります。また、予測モデルにおける周波数分析への関心も高まっています。入力データのシーケンスを周波数領域で表現することにより、自己相関の複雑さを回避し、さまざまなモデルの効率を向上させることが可能になります。
さらに重要なのは、予測結果のシーケンス内における自己相関です。予測値は、分析対象のシーケンスおよび予測されたシーケンスを含む、より大きな時系列の一部を構成しています。そのため、予測値は分析データとの相関関係を維持する必要があります。しかしながら、現代の予測手法では、この点がしばしば見過ごされています。特に、現在主流となっている「直接予測(DF)」パラダイムでは、複数の予測ステップを一度に生成する際に、各ステップの予測値が独立していると暗黙的に仮定されています。この仮定がデータの特性と一致しない場合、予測結果の質が最適化されない原因となります。
この問題の解決策の1つとして、「FreDF:Learning to Forecast in Frequency Domain」という論文で提案された方法が挙げられます。この論文の著者は、周波数ゲイン(FreDF)を用いた直接予測手法を提案しました。この方法では、予測値とラベルのシーケンスを周波数領域で整列させることにより、DFパラダイムを再定義しています。周波数領域に移行することで、基底が直交かつ独立した形になり、自己相関の影響を効果的に軽減することができます。これにより、FreDFは、DFに関する仮定とラベルの自己相関の存在との不整合を解消しつつ、DFの利点を保持することを可能にしています。
この手法の著者は一連の実験を通じて、提案した手法が現代の予測方法に比べて大幅に優れていることを実証しました。
作者: Dmitriy Gizlyk