現代の時系列予測技術は根本的なジレンマに直面しています。チャネル独立型モデルはデータ量の増加に伴ってスケーラビリティに優れている一方で、チャネル間の重要な依存関係を見落としてしまいます。一方、チャネル依存型モデルは表現力には優れていますが、「次元に制限される」という課題があり、異なるデータセット間での汎化性能が低いという問題がありました。 このギャップを埋めるために、研究者らは高次元時系列に対する拡張可能なマルチデータセット事前学習フレームワークである「Unicorn（ユニバーサル相関ネットワーク）」を開発しました。Unicornの中核は、相関モデリングを特定のチャネル識別子から分離するレイテントプロトタイプコードブックです。このアプローチにより、異なるチャネルを共有の潜在空間に投影し、アイデンティティに依存しない再利用可能な相互作用パターンを学習することが可能になります。 学習されたパターンは、異なる次元性とセマンティクスを持つ複数のドメイン間での転移が可能です。広範な実験により、Unicornは既存の最先端の時系列予測アーキテクチャを大幅に上回る性能を示し、特に少数ショット転移シナリオでの優位性が確認されました。この成果は、多変量時系列ファウンデーションモデルへの拡張可能な道筋を提供し、時系列予測の分野における重要な進歩となっています。