Each language version is independently generated for its own context, not a direct translation.

パッチ分解（PatchDecomp）：未来を予測する「透明な水晶玉」

こんにちは。今日は、三菱電機の研究チームが開発した新しい AI 技術「PatchDecomp（パッチデコンプ）」について、難しい数式や専門用語を使わずに、わかりやすくご紹介します。

この技術は、**「未来の天気や電気料金を予測する AI」ですが、最大の特徴は「なぜその予測をしたのか、その理由を人間が理解できる」**という点にあります。

1. 従来の AI は「黒い箱」だった

まず、従来の AI（特に時間データの予測に使われるもの）について考えてみましょう。
これらはまるで**「魔法の水晶玉」**のようでした。

入力： 過去のデータを入れる。
出力： 未来の値が出てくる。
中身： 水晶玉の中は真っ暗で、どうやってその答えを出したのか、人間には全く見えません。

「明日の電気料金が上がる」と言われても、「なぜ？」「どの部分が影響したの？」と聞くと、AI は「えーと、計算の結果です」としか答えられません。これでは、重要な決断をするビジネス現場や、安全が求められる工場では「本当に信用していいの？」と不安になります。

2. PatchDecomp のアイデア：データを「パッチ」に切る

そこで登場するのが「PatchDecomp」です。この AI は、水晶玉を**「透明なガラスのブロック」**に変えてしまいました。

🧩 アナロジー：ジグソーパズルとパッチワーク

この AI は、長い時間のデータ（例えば、過去 1 週間の電気使用量）を、**「パッチ（布切れ）」**と呼ばれる小さな区切りに分割します。

1 時間ごとのデータ → 小さな布切れ
1 日ごとのデータ → 大きな布切れ

AI は、この「布切れ」を一つずつ丁寧にチェックし、**「このパッチが未来の予測にどれだけ貢献したか」**を計算します。

3. どうやって「理由」を説明するの？

PatchDecomp のすごいところは、「予測の理由」を色と面積で可視化できることです。

🎨 例：明日の電気料金を予測する場面

Imagine 明日の電気料金を予測しているとしましょう。PatchDecomp は以下のように説明してくれます。

赤いパッチ（重要度大）： 「あ、昨日の『夕方の電力需要』のパッチが、明日の価格上昇に大きく影響していますね！」
青いパッチ（重要度小）： 「先週の『月曜日のデータ』は、あまり関係なさそうです」
外からの情報（気象データなど）： 「明日の『風の強さ』というパッチも、価格を下げている要因です」

これらを**「積み上げグラフ」**のように表示することで、ユーザーは一目でわかります。

「なるほど、**『昨日の夕方の需要』と『明日の風力発電の予想』**の 2 つが組み合わさって、この予測値になったんだ！」

これなら、人間も納得できますし、もし予測がおかしい場合でも、「あ、このパッチのデータがおかしいから、AI が勘違いしたんだ」と原因を特定しやすいのです。

4. 従来の「注目度（アテンション）」との違い

既存の AI にも「どこに注目したか」を色で示す機能はありました。しかし、それは**「どのデータに目を向けたか」という「視線」を示すだけで、「その視線が最終的な答えにどれだけの重み**を持っていたか」まではわかりませんでした。

PatchDecomp は、**「視線」だけでなく「その視線が答えに与えた影響の大きさ」**まで、パッチごとに正確に計算して見せてくれます。まるで、料理のレシピで「塩を少し入れた」だけでなく、「塩が味の 30% を占めている」とまで教えてくれるようなものです。

5. 性能はどうなの？

「説明が上手いだけなら、予測精度は落ちるのでは？」と思うかもしれません。
しかし、実験の結果、PatchDecomp は**「最新の最高レベルの AI」と同じくらい正確に予測できる**ことが証明されました。

精度： 負けない（むしろ勝ることも）。
透明性： 圧倒的に高い。

つまり、**「高機能なスポーツカー」でありながら「運転席からすべてのメーターが見える」**ような車になったのです。

まとめ：なぜこれが重要なのか？

PatchDecomp は、AI を**「ブラックボックス（黒箱）」から「ホワイトボックス（白箱）」**へと進化させました。

製造業： 「なぜ機械が故障すると予測したのか？」を説明でき、安全対策が立てられる。
エネルギー： 「なぜ電気料金が上がるのか？」を説明でき、消費者や企業も納得して計画を立てられる。
医療： 「なぜこの治療法が推奨されたのか？」を説明でき、医師の判断を支援できる。

この技術は、AI が単なる「計算機」から、私たちが信頼してパートナーとして働ける「透明な助言者」になるための、大きな一歩となるでしょう。

一言で言うと：

「PatchDecomp は、未来を予測する AI に『なぜそう思ったの？』という質問に、**『過去のこの部分と、外のこの情報が組み合わさったからだよ』**と、パズルのピースを指差しながら丁寧に説明してくれる、親切で透明な AI です。」

Each language version is independently generated for its own context, not a direct translation.

PatchDecomp: 解釈可能なパッチベース時系列予測の技術的サマリー

1. 背景と課題 (Problem)

時系列予測（TSF）は、製造、物流、医療など多様な分野で重要な役割を果たしており、深層学習（RNN, MLP, Transformer など）を用いた高精度なモデルが多数提案されています。特に近年は、入力データを点単位ではなく「パッチ（部分系列）」として扱う技術が性能向上に寄与しています。また、ターゲット変数の履歴だけでなく、気象やカレンダー情報などの**外部変数（Exogenous Variables）**を予測に組み込む手法も増えています。

しかし、これらの高性能なニューラルネットワークモデルは「ブラックボックス」であり、なぜその予測値が導き出されたのか、その根拠を人間が理解することが困難です。

既存の解釈性手法の限界: 既存の手法（Attention 重みの可視化、線形重みの可視化、予測値の分解など）は、変数全体の重要性や時間ステップごとの注意度を示すことはできても、**「どの外部変数のどのパッチ（部分系列）が、最終的な予測値にどの程度寄与したか」**を厳密に説明するまでには至っていません。
実用性の課題: 製造システムや安全が重要な分野では、透明性と安全性が求められ、解釈性の低いモデルの導入にはリスクが伴います。

この課題に対し、高精度かつ、入力パッチごとの寄与を厳密に分解・説明可能な時系列予測モデルの必要性が生まれました。

2. 提案手法：PatchDecomp (Methodology)

著者は、PatchDecompというニューラルネットワークベースの TSF 手法を提案しました。このモデルは、入力変数（ターゲット変数および外部変数）をパッチに分割し、モデル全体のプロセス（エンコーダからデコーダまで）を通じて、各パッチが予測値にどのように寄与したかを分解計算する「本質的に解釈可能（Inherently Interpretable）」なモデルです。

2.1 アーキテクチャ

モデルは「パッチエンコーダ」と「パッチデコーダ」の 2 つの主要コンポーネントで構成されます。

入力前処理:
- 各変数に対して可逆インスタンス正規化（RevIN）を適用し、パッチ長 $P$ で時系列を分割します（パディングで長さを調整）。
- 入力パッチ $x^{patch}_{i,t}$ 、位置エンコーディング $z^{pos}_t$ 、静的変数（製品 ID など） $z^{stat}$ を結合します。
パッチエンコーダ (Patch Encoder):
- 結合された入力を、MLP とスキップ接続を $N_{enc}$ 回繰り返す残差ブロック（Residual Block）に通します。
- これにより、各入力パッチ $i, t$ が潜在ベクトル $z^{src}_{i,t}$ にエンコードされます。
- 同様に、出力パッチに対応する潜在ベクトル $z^{tgt}_t$ も、入力パッチ情報なしにエンコードされます。
パッチデコーダ (Patch Decoder):
- マルチヘッドアテンション: 出力パッチの表現 $z^{tgt}$ をクエリ、入力パッチの表現 $z^{src}$ をキー・バリューとしてアテンションを計算します。
- 分解可能な寄与計算: 従来のアテンションでは重み行列として計算されますが、PatchDecomp は、アテンション重みと値の要素ごとの積（Element-wise product）を計算し、入力パッチ次元（ $N_{patch}$ ）に沿って和を取ることで、各入力パッチごとの寄与値を明示的に算出します。
- バイアス項: 入力パッチの潜在表現とバイアスベクトルの積の和も加算されます。
- 最終的な予測値 $\hat{y}$ は、これらすべての寄与を合計し、線形変換と RevIN の逆変換を経て得られます。

2.2 解釈性の仕組み

このアーキテクチャの最大の特徴は、**「予測値 = 各入力パッチの寄与の和」**という構造を明示的に持っている点です。

Attention Map の可視化に依存せず、モデルの計算フローそのものから、どの変数のどの時間区間（パッチ）が予測にどれだけ影響を与えたかを数値的に分解できます。
これにより、外部変数を含む場合でも、特定の外部変数の特定のパッチが予測に与えた影響を定量的・定性的に説明可能です。

3. 主な貢献 (Key Contributions)

PatchDecomp の提案: 外部変数を含む入力変数のパッチごとの寄与を予測値に分解し、説明可能な時系列予測モデルを提案しました。
高い予測精度: 複数のベンチマークデータセット（LTSF タスクおよび外部変数を含む電力価格予測タスク）において、最新の予測手法（PatchTST, NBEATSx, TFT など）と同等の予測精度を達成することを実証しました。
優れた解釈性の証明: 定性的（可視化）および定量的（AOPCR 指標）な分析を通じて、提案手法が既存の解釈可能モデル（TFT など）よりも優れた解釈性を持つことを示しました。

4. 実験結果 (Results)

4.1 予測精度

LTSF タスク（7 データセット）: ETTh1, ETTh2, Weather, Electricity, Traffic などで評価。PatchDecomp は ETTh1/ETTh2 で特に高い精度を示し、MSE/MAE においてトップクラス（統計的に有意な最上位グループ）の性能を達成しました。
外部変数タスク（EPF: 電力価格予測）: 5 つの電力市場（NP, PJM, BE, FR, DE）のデータを使用。TFT とともに高い精度を記録し、他のモデル（NBEATSx, NHITS など）を上回る結果を得ました。

4.2 解釈性の評価

定性的評価:
- 電力価格予測の例において、予測値が「過去のターゲット変数のパッチ」と「将来のシステム負荷・発電量（外部変数）のパッチ」によってどのように構成されているかを可視化しました。
- TFT と比較し、PatchDecomp は少数のパッチに明確に寄与が集中しており、予測の根拠を直感的に理解しやすいことを示しました。TFT は寄与が分散しており解釈が困難でした。
定量的評価（AOPCR）:
- Comprehensiveness（包括性）: 重要な特徴量（寄与度の高いパッチ）を除去した際、予測誤差（MAE）がどれだけ増加するかを測定しました（AOPCR 指標）。
- 結果、PatchDecomp が提案する「重要なパッチ」を除去した場合、ランダムなパッチ除去や TFT の重要度に基づく除去よりも、予測精度が大幅に低下しました。これは、PatchDecomp が本当に重要な入力部分を正確に特定できていることを意味します。

5. 意義と結論 (Significance & Conclusion)

PatchDecomp は、時系列予測の分野において「高精度」と「解釈性」の両立を実現した画期的な手法です。

実社会への適用: 製造やエネルギー管理など、予測の根拠が不可欠な分野において、ブラックボックスモデルのリスクを軽減し、実用化を促進します。
外部変数の理解: 単なる変数全体の重要度ではなく、「どの期間のどの外部要因が予測に影響したか」をパッチ単位で説明できるため、より詳細な意思決定支援が可能です。
今後の課題: 現時点では静的変数（Static Variables）の寄与を分解して表示できない点がありますが、今後の研究で解決予定としています。

本論文は、ニューラルネットワークの内部動作を「入力パッチの寄与分解」という形で明示的に設計することで、信頼性の高い AI 予測システムの構築に向けた重要な一歩を示しました。

PatchDecomp: Interpretable Patch-Based Time Series Forecasting