技術要約：スペクトルだけでは不十分である

問題提起

本論文は、時系列予測における重大な乖離、すなわち「シリーズレベルの予測可能性」と「追加されたコンテキストによる構成レベルの価値」の混同に対処している。実務家は、より重厚なメカニズム（より長いルックバック・ウィンドウ、検索拡張型予測、あるいは基盤モデルなど）を導入するかどうかを決定するために、スペクトル予測指数（$\Omega$ やスペクトルコヒーレンスなど）に依存することが多い。そこには、「スペクトル予測スコアが高いことは、複雑でコンテキストを重視したモデルの使用を正当化する」という支配的な仮定が存在する。

著者らは、この仮定は不適切であると主張する。スペクトル指数は、原理的にそのシリーズがいかに予測可能であるか（パワースペクトルに基づく）を測定するが、追加のコンテキスト（標準的なウィンドウを超えたもの）が予測を改善するかどうかを予測することはできない。コンテキストの価値は、動作点（ウィンドウ長、予測ホライゾン）および、パワースペクトルでは捉えきれない「二次統計量を超えた構造」（非線形、位相依存的なダイナミクス）の存在に依存する。

手法

理論的枠組み：サロゲートによる不可能性の証明

核心となる理論的貢献は、不可能性の結果である。すなわち、パワースペクトル（または自己共分散）のみから構築された指数は、スペクトルを超えたコンテキストの価値を予測することはできない。

• メカニズム: 著者らは、位相ランダム化サロゲートデータ（および振幅調整済みサロゲート、IAAFT）を利用する。これらのサロゲートは、元のシリーズのパワースペクトルと周辺分布を保持するが、フーリエ位相をランダム化する。
• 帰結: 構成上、いかなるスペクトル指数も、元のシリーズ $x$ とそのサロゲート $\tilde{x}$ に対して同一のスコアを算出する。しかし、サロゲートは漸近的にガウス過程となる。ガウス過程は二次統計量によって完全に特徴付けられるため、「スペクトルを超えた」あらゆる価値（リトリーバルや基盤モデルによって利用されるもの）は、サロゲート上ではゼロに収束する。
• 結果: メカニズムの価値が位相依存的な構造に依存する場合、そのパフォーマンスはサロゲート上で大幅に低下するが、スペクトル指数は「固定されたまま」となる。これは、スペクトル指数が、コンテキストを価値あるものにする特定の構造に対して盲目であることを証明している。

カバレッジ欠損診断（$\Gamma$）

展開に関する問いに対処するため、著者らはラベルフリーの構成レベルの診断指標であるカバレッジ欠陥（Coverage Deficit）（$\Gamma$）を導入する。これは以下の2つの項からなる。

1. 構造項 ($\Gamma_{cov}$): 「スペクトルを超えた」ポテンシャルを測定する。これには以下が含まれる：
   • $\Delta_{nl}$: 線形予測とアナログ（最近傍）予測の間のギャップの保守的な推定値であり、スペクトルが見落としている非線形構造を表す。
   • $u(S)$: 現在のルックバック・ウィンドウ $S$ が観察できていない「状態特定モチーフ（state-identifying motif）」の割合。
   • 式: $\Gamma_{cov} = \Delta_{nl} \cdot u(S)$。
2. 新規性項 ($\Gamma_{oov}$): テスト用ウィンドウのタプルが、訓練分布に対してアウト・オブ・ボキャブラリ（OOV）である確率（記号的指数）。高い新規性は、コンテキストが陳腐化していることを意味する。

決定ルール: $\Gamma_{cov}$ が高く（活用可能な構造が存在し、かつ現在見落とされている）、かつ $\Gamma_{oov}$ が低い（データが分布内である）場合、コンテキストは寄与すると予測される。

実験プロトコル

著者らは、3つのコンテキスト拡張メカニズムを用いて、7つの標準的なベンチマーク（ETTh1/2, ETTm1/2, Weather, ECL, Traffic）にわたって主張を検証している。

1. より長い線形ウィンドウ: 純粋な二次統計的メカニズム（$S$ の増加）。
2. アナログ・リトリーバル: ウィンドウをキーとしたリトリーバル・プラグイン（純粋な二次統計量を超えたメカニズム）。
3. 基盤モデル: 長いコンテキストを読み込むゼロショットのChronos-Bolt（二次統計量と非線形構造の混合）。

実験には以下が含まれる：

• E1 (スペクトル制御されたギャップ): 元のシリーズとIAAFTサロゲートの性能を比較し、スペクトル指数が一定である一方で、コンテキストの価値が崩壊することを確認する。
• E2 (符号予測): コンテキストが寄与するかどうかを分類するためのLeave-one-dataset-out (LODO) 分類。カバレッジ欠陥をスペクトル指数（$\Omega$, SCP）および他のベースラインと比較する。
• E3–E6: 相関分析、メカニズム別の内訳、分布外（OOD）転移、およびアブレーション研究。

主な結果

1. スペクトル制御されたギャップ

リトリーバルが価値を提供するベンチマーク（ECL, Traffic）において、コンテキストの価値は位相ランダム化の下で崩壊する：

• ECL: リトリーバルの価値は、元のシリーズでの +33.0% から、サロゲートでの −35.0% へと低下する。
• Traffic: 価値は +33.8% から +0.7% へと低下する。
• スペクトル指数: スペクトル予測指数 $\Omega$ は変化せず（差 $|\Delta\Omega| \le 0.014$）、価値の喪失を検出できないことを裏付けている。
• メカニズムの内訳:
  • 長いウィンドウ: 値が位相ランダム化後も維持される（例：ECL: 56.7% $\to$ 55.1%）。これは、それがスペクトルから見える二次構造に依存していることを示している。
  • 基盤モデル: その総体的な価値は分割される。支配的な二次統計的部分は生存するが、「非線形マージン」は崩壊する（例：ECLのマージン: +9.0% $\to$ −8.8%）。

2. 診断性能

カバレッジ欠陥（$\Gamma$）は、スペクトル指数が失敗する場面において、コンテキストの価値の符号を正確に予測する：

• スペクトルを超えたメカニズム（リトリーバル/基盤モデルのマージン）: 構造項（$\Delta_{nl}$）は、リトリーバルで 78.1%、基盤モデルのマージンで 73.2% の均衡精度（balanced sign accuracy）を達成した。対照的に、$\Omega$ はチャンスレベル以下（39.5% および 52.4%）であった。
• 二次統計的メカニズム（長いウィンドウ）: スペクトル指数（特にSCP）が構造項を上回る（79.2% vs 46.な）、これは診断が、長いウィンドウがスペクトルから見える構造に依存していることを正しく識別していることを裏付けている。
• 分布外 (OOD): 保持されたデータセット（Exchange, ILI, M5）において、診断はコンテキストがほとんど価値を提供しないこと（主に負またはゼロ）を正しく識別した。一方、分布内の傾向に基づいたナイーブな事前知識は、コンテキストが役立つと誤って示唆してしまう。

意義と主張

本論文は、主に3つの貢献を主張している：

1. 概念の区別: シリーズレベルの予測可能性と、構成レベルのコンテキストの価値を形式的に分離し、前者が（スペクトル指数を通じて）後者を決定できないことを証明した。
2. 制御された比較: スペクトルと周辺分布を固定したサロゲートペアを用いることで、相関関係に頼ることなく、スペクトル指数の「盲点」を孤立させ、これが何を見ることができ、何を見ることができないのかを厳密にテストした。
3. 展開のための診断ツール: カバレッジ欠陥は、実務家が「いつ」コンテキストを追加すべきかを判断するための、ラベルフリーの実用的なツールを提供する。これは、従来のスペクトル解析では不可視である、リトリーバルや基盤モデルが活用する「スペクトルを超えた」構造を明確にターゲットとしている。

著者らは、新しい予測器を導入することが目的ではないことを強調している。むしろ、本研究の貢献は、理論的な区別、制御された経験的比較、そして診断手法である。本研究は、複雑なモデルを正当化するためにスペクトルスコアに頼ることは理論的に不適切であることを示唆しており、コンテキストの価値は、単なるシリーズ自体の特性ではなく、動作点（ウィンドウサイズ vs モチーフ長）およびデータの特定の非線形構造の特性であるとしている。