正確な炭素排出量のモニタリングは、気候政策や EU 炭素国境調整メカニズムのような新たな規制の枠組みにとって不可欠である。しかし、都市レベルで高頻度の観測データは極めて乏しく、データを大量に必要とする深層学習モデルの活用を大きく制限している。時系列生成は自然な解決策と考えられるが、既存の GAN や拡散モデルに基づく生成器は、炭素排出データの領域構造に対して十分な明示的監督を与えていないことが多い。すなわち、周辺分布の統計量は一致させても、二酸化炭素と同時排出される汚染物質や気象要因との間の変数間相関を十分に保てず、また大気観測値の一次差分統計を崩してしまい、平均的には滑らかだが実際の信号が持つ段階的な変動性を欠く系列を生成しがちである。
この問題に対して、論文は TriHead-GAN を提案する。これは Transformer ベースの敵対的フレームワークであり、中核となる三頭判別器がデータの同時分布を三つの相補的な観点から監督する。第一の頭は Wasserstein 批評器で、分布レベルの真正性を評価する。第二の頭はリークのない目的変数回帰によって変数間の依存関係を制約する。第三の頭は隣接差分予測を通じてステップごとの時間的平滑性を監督し、生成系列が実際の測定における瞬間的な変化を失わないようにする。これら三つの監督が協働することで、判別器は全体分布の類似性だけでなく、変数間の関係や時間方向の細かな構造も同時に検証できる。
生成器側では、グローバルな自己注意と局所的な時間畳み込みを組み合わせている。前者は長距離依存を捉え、後者は局所的な時間パターンをモデル化する。さらに、ステップごとのノイズ注入機構を導入して生成系列のランダム性と細部の変化を高め、抗平滑化損失によって生成系列の一次差分統計を実データに一致させる。これにより、平均的には滑らかだが実際の段階的変動を欠くという既存手法の問題を緩和する。
実験は、自己収集した長沙炭素データセット、中国と米国の二つの公開炭素データセット、そして ETTh1 ベンチマークを対象としている。結果として、TriHead-GAN は大多数の設定で主流のベースラインよりも良好な性能を示した。さらに重要な点として、本モデルが生成した合成ウィンドウは下流の予測タスクの精度を向上させ、データが乏しい炭素モニタリング場面における実用的な価値を示している。本研究の意義は、新しい生成モデル構造を提示するだけでなく、科学計測データの生成において領域構造を明示的にモデル化することの重要性を強調し、データ不足下での炭素排出モニタリングと関連する深層学習応用に実行可能な道筋を示した点にある。論文は 2026 年 5 月 26 日に投稿され、Zesen Wang 氏ら 4 名による機械学習分野の研究である。