📊 statistics

Autorelevance function and other feature relevance measures for univariate time series

本論文は、単変量時系列予測におけるラグの重要性を測定するために、ゴースト変数とシャプレイ値を用いて自己関連性および部分自己関連性関数を定義するモデルに依存しないフレームワークを提案し、季節性ARMAおよびリカレントニューラルネットワークモデルにおけるその有効性を実証するものである。

原著者： Julian Cardenas, Jamie Arjona, Pedro Delicado

公開日 2026-07-03

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Julian Cardenas, Jamie Arjona, Pedro Delicado

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、明日の天気を予測しようとしていると想像してください。あなたには、過去数日間の気温、風、雨を分析して予測を立てる、非常に賢いコンピュータプログラム（「ブラックボックス」モデル）があります。しかし、ここで問題が発生します。そのコンピュータは非常に賢いのですが、少し謎めいています。あなたが「なぜ雨だと予測したのですか？」と尋ねると、コンピュータはただ「データによります」と答えるだけなのです。どの日のデータが最も重要だったのかを教えてくれません。昨日の雨だったのでしょうか？それとも先週の火曜日の雨だったのでしょうか？

この論文は、この問いに答えるための新しい一連のツールを紹介しています。著者たちは、コンピュータが単純な数学を用いているか複雑なニューラルネットワークを用いているかにかかわらず、各「ラグ（各過去の日のデータ）」が最終的な予測にどれほど貢献しているかを正確に測定したいと考えています。

以下に、彼らのアイデアを日常的な例えを用いて解説します。

1. 問題点：「ブラックボックス」型の予測

時系列予測において、入力されるのは通常、同じものの過去のバージョン（例：過去の株価や過去の乗客数）のみです。従来のツール（自己相関関数など）は、古い地図のようなものです。それらは単純で直線的な道（線形モデル）には非常にうまく機能しますが、道がねじれ曲がり、複雑な非線形のジャングル（ニューラルネットワーク）へと変化すると、混乱してしまいます。私たちは、どの過去の日が実際に予測を動かしているのかを見極めるための、新しい方法を必要としています。

2. 解決策：2つの新しい「関連性」の定規

著者らは、重要性を測定するための2つの主要な方法を提案しており、それらを**自己関連関数（ARF）および部分自己関連関数（PARF）**と呼んでいます。

方法A：「ゴースト」による置き換え（ゴースト変数）

ケーキを焼いている場面を想像してください。あなたは卵がどれほど重要かを知りたいと考えています。

標準的な方法： 卵を入れずにケーキを焼き、味が落ちるかどうかを確認します。
時系列における問題： 昨日の気温を単に「削除」することはできません。もし削除してしまうと、タイムラインが壊れてしまい、レシピが成立しなくなります。
論文の手法： 昨日の気温を削除する代わりに、「ゴースト」の気温で置き換えます。このゴーストとは、昨日を完全に無視して、その前後の日だけを見た場合に、気温がどうなっていたはずかをスマートに推測したものです。
結果： 本物の気温でケーキを焼き、次にゴーストの気温で再びケーキを焼きます。もしケーキの味が全く異なれば、昨日の気温は極めて重要だったということになります。もし味が同じであれば、昨日はあまり重要ではなかったということです。

著者らは、この「ゴースト」法を用いて、各過去の日がどれほど重要であるかを示すスコア（ARF）を作成しています。

方法 B：「チームプレーヤー」のスコア（シャプレイ値）

スポーツチームにおいて、プレイヤー（過去の日々）がさまざまな組み合わせで登場することを想像してください。ある時はトップ3の選手だけで構成され、ある時はトップ5の選手で構成されます。

コンセプト： この手法は、シャプレイ値と呼ばれる数学的理論に基づいており、「他の誰がチームにいても、特定のプレイヤーを一人加えることで、チームのスコアはどれだけ向上するか？」を問います。
応用： 彼らは、あるグループに「1日目」を加えたときに予測誤差がどれだけ減少するかを計算し、同様のことを「2日目」に対しても行い、あらゆる可能な組み合わせに対してこれを実施します。
結果： これにより、**部分自己関連関数（PARF）**が得られます。これは、たとえ特定の日の組み合わせにおいてのみ重要であったとしても、各過去の日にどれだけの功績があるかを正確に伝える「公平性スコア」のようなものです。

3. 「秘訣」：空白をどう埋めるか

この研究における大きな障壁は、「ゴースト」のスロットや「欠けているチームメンバー」のスロットに何を投入するか？ という点です。

従来の方法： 単にゼロを入れるか、平均気温を入れます。これは、ラインナップにダミーを入れるようなもので、ゲームの流れを壊してしまいます。
論文の革新： 彼らは、予測モデルそのものを使って、欠損値を推測します。もし「昨日の気温」が欠けている場合、モデルは他の利用可能な日を見て、昨日が「どうあるべきだったか」を予測します。
なぜ機能するのか： これにより、時系列の「物語」が維持されます。これは、プレイヤーが欠席した場合に、単に空席を作るのではなく、コーチに「もしプレイヤーがいなかったらどうなっていたか」をシミュレーションさせることに似ています。

4. 効果はあったか？（結果）

著者らは、これら2種類のデータを用いてツールをテストしました。

シミュレーションデータ： 彼らは、答えが分かっている（例：「1日目と3日目が重要で、2日目は役に立たないモデルを作った」）人工的な時系列データを作成しました。
- 結果： 予測モデルが複雑なニューラルネットワークであっても、彼らのツールは、1日目と3日がスターであり、2日目が役に立たないことを正しく特定しました。
実データ： 彼らは、有名な「月間航空旅客数」のデータセットを使用しました。
- 結果： 彼らのツールは、来月の予測にとって最も重要なのは、1ヶ月前、12ヶ月前（昨年）、および13ヶ月前であることを正しく浮き彫りにしました。これは季節的なパターンに関する人間の直感と一致しています。

5. 結論

この論文は、これらの新しい手法（ARFおよびPARF）が以下の特性を持つと主張しています。

モデルに依存しない（Model-Agnostic）： 単純な数学モデルから複雑なAI「ブラックボックス」まで、同様に機能します。
正確である： 単純な状況だけでなく、複雑で非線形な状況においても、重要な過去の日を正常に特定できます。
効率的である： 同じことを試みる従来のメソッドよりも、計算が高速です。

要約すると、著者らは、予測を行っているコンピュータが自分自身を説明できないほど複雑であっても、どの過去の瞬間が未来の予測を照らし出しているのかを正確に見通すための「懐中電灯」を作り上げたのです。

技術要約：単変量時系列における自己関連性関数およびその他の特徴量関連性尺度

問題提起
機械学習モデルによる時系列予測の採用拡大に伴い、ラグ（遅延）観測値が予測にどのように影響を与えるかという解釈性への切実なニーズが高まっている。自己相関関数（ACF）や偏自己相関関数（PACF）といった古典的な統計手法は、線形的な時間構造を効果的に記述できる一方で、現代の「ブラックボックス」型予測モデル（例：ニューラルネットワーク）の挙動を説明するには不向きである。既存の特徴量重要度算出法は、予測因子（ラグ）間の相関が高いことや、連合ベースの説明において「欠落した」特徴量を扱うためのモデル非依存的な戦略が欠けていることにより、時系列の文脈では困難に直面することが多い。標準的な補完技術（例：ゼロ埋めや無条件平均）は、予測に不可欠な時間的ダイナミクスを保持できないことが多く、誤解を招く可能性のある関連性の推定につながる。

手法
著者らは、単変量時系列予測におけるラグ入力のグローバルな関連性を定量化するための、モデル非依存的なフレームワークを提案している。この手法は、主に**ゴースト変数（Ghost Variables）とシャプレー値（Shapley Values）**という2つのアプローチを統合しており、これらは入力がシリーズのラグ値のみである予測タスクに特化して適応されている。

ゴースト変数アプローチ（自己関連性関数 - ARF）:
- ゴースト変数の手法から適応されたこのアプローチは、特定のラグ $h$ の値を、実際のラグ値 $y_{t-h}$ を補助的な補完モデル（具体的には重回帰分析）によって生成された「ゴースト」値 $\hat{y}^*_{t-h}$ で置き換えることで、そのラグの関連性を評価する。この補助モデルは、残りの $p-1$ 個のラグを用いて $y_{t-h}$ を予測する。
- 関連性は、元のモデルの予測誤差と、ゴースト値を用いたモデルとの比較によって定量化される。著者らは2つの指標を定義している：
  - ARF $_{MSPD}$ : 平均二乗予測差（Mean Squared Prediction Difference）に基づく。
  - ARF $_{MSE}$ : 平均二乗誤差（MSE）への寄与の変化に基づく。
シャプレー値アプローチ（部分自己関連性関数 - PARF）:
- このアプローチは、ラグを協力ゲームのプレイヤーとして扱い、すべての可能な連合（ラグのサブセット）における各ラグの平均的な限界貢献度を計算する。
- 補完戦略: 欠落した特徴量の扱いにおける重要な革新は、不在のラグを、分析対象となっている予測モデル自体によって生成された1ステップ先予測で置き換える提案である。これにより、時系列の整合性が保持される。
- 値関数: 値関数は、ベースライン（標本平均）に対するMSEの改善に基づいて定義される。
- 指標:
  - PARF $_{MSE}$ : MSEへの寄与に基づく標準化されたシャプレー値。
  - PARF $_{MSPD}$ : 二乗予測差に基づく標準化されたシャプレー値。
- 計算効率: すべての観測に対して置換分析を必要とするローカルなSHAP手法とは異なり、本フレームワークはテストサンプル全体で平均化することにより、グローバルに関連性を計算し、計算負荷を大幅に軽減する。

主な貢献

時系列のための新しい補完法: 本論文は、連合ベースの手法における不在の特徴量を扱うための、モデル駆動型の1ステップ先予測による補完スキームを導入している。この戦略は、関連性分析を予測モデル自体のダイナミクスに適合させるものであり、静的な補完と比較して、逐次的な設定における連合のより自然な定義を提供する。
モデル非依存的なラグ関連性: 提案されたARFおよびPARF尺度は、古典的な統計モデル（例：ARMA）と複雑なブラックボックスモデル（例：リカレントニューラルネットワーク）の両方に適用可能であり、解釈性に関する統一されたフレームワークを提供する。
加法的重要度尺度の統合: 本研究は、時系列の解釈可能性という実用的なニーズを、加法的重要度尺度（AIM）の理論的基礎、特に予測において標準的な損失関数としてのMSEの活用と結びつけている。

結果
著者らは、シミュレーションデータ（線形ARMA、非線形レジームスイッチングモデル）および実世界のデータセット（月間航空旅客数）を用いて提案手法を評価した。

線形シミュレーション (AR(3) および ARMA(3,3)): 線形の設定において、ARFとPARFはともに、真の非ゼロ・ラグ（ラグ1および3）を特定することに成功し、適合されたモデルがニューラルネットワークであっても、無関係なラグ（ラグ2）には無視できる程度の関連性を割り当てた。
非線形シミュレーション: 非線形レジームスイッチングモデルにおいて、関連性尺度（特にMSE寄与に基づくPARF）は、データ生成プロセスを駆動していた主要なラグ（1、12、13）を正しく特定し、非線形性に対する堅牢性を示した。
実データ (航空旅客数): 古典的な航空旅客データに適用したところ、これらの手法は一貫してラグ1、12、13を最も関連性が高いものとして強調し、既知の季節構造と一致した。ニューラルネットワークモデルはSARIMAモデルとはわずかに異なるパターンを示したが、関連性尺度は依然として基本的なラグ構造を捉えていた。
補完の比較: モデルベースの1ステップ先予測による補完は、非線形および複雑なシナリオにおいて、線形補完よりも一般に優れた性能を示し、支配的なラグ構造のより明確な特定を実現した。

意義と主張
本論文は、提案されたフレームワークが時系列予測モデルを解釈するための実用的かつ効果的なソリューションを提供すると主張している。著者らは以下の点を強調している：

提案手法は、ブラックボックス型のニューラルネットワークを含む、テストされたほぼすべてのケースにおいて、期待されるラグ構造を正常に復元している。
1ステップ先予測による補完戦略は、逐次的設定における連合を定義するための自然な方法を提供し、一般的な補完のヘリスティックな性質を回避している。
本アプローチは、標準的なローカルSHAP手法よりも計算効率が高く、かつ解釈性を維持している。
本フレームワークは、データの時間的順序とダイナミクスを尊重しているため、時系列にとって特に適している。

著者らは、限界についても謙虚に述べており、この戦略は予測モデルが十分に優れた予測性能を持っていることに依存していることを指摘している。精度の低いモデルは、補完プロセスを通じてノイズを導入し、誤解を招く関連性の推定につながる可能性がある。今後の課題として、代替的な関連性定式化、外生変数の導入、および多変量時系列への拡張が示唆されている。