IBM Researchは追加学習なしで中央値と分位点を返すアンサンブルを紹介しました。均等な確率統合を標準とし、予測幅に応じる別方式も比較しています。 単一モデル選びの負担を減らす入口です。平均誤差だけでなく予測区間の妥当性と4モデル分の実行費用を測ることが焦点です。 時系列ごとのモデル選びを共通レシピへ IBM Researchは10月22日、Granite Timeseries EnsembleをHugging Faceで紹介しました。構造の異なる4つの事前学習済みモデルを組み合わせ、追加の学習や重みの当てはめをせずに予測します。個々の時系列では、季節性やノイズ、予測する期間によって得意なモデルが変わります。その選択を単独で行う負担を減らす狙いです。中央値と分位点を返し、中心の値と予測の幅を扱います。配布するのはモデルの重みを融合したものではなく、複数のチェックポイントを読み込む設定です。最初の実行では4モデルを取得する時間も必要と説明しています。共通レシピを起点にし、データに合わせた比較へ進む使い方を想定しています。 確率の均等統合と予測幅による統合を比較 標準のProbabilistic Ensembleは、各モデルの分位点予測を均等な影響度でまとめます。IQR Ensembleは予測区間が狭いモデルへ大きな重みを与える方式です。GraniteのPatchTST-FM、FlowState、TTMなど、異なる構造の誤りが重なりにくいことを狙います。需要や設備の時系列を扱う研究者と開発者が対象です。97のGIFT-Eval設定では、両方式が点予測の集計指標で構成モデルを上回ったと報告しています。ただし、最良の単一モデルとの差は小さく、確率予測の集計誤差では単一モデルが良い結果もあります。予測幅が狭いことは正確さの保証ではなく、IQR方式が過度に自信の強いモデルを重視する可能性も説明しています。評価指標によって選ぶ方式が変わる点が、実装上の重要な違いになります。 自社の時系列で予測区間と計算量を確かめる 実務では、予測した中央値だけを比較せず、分位点が実際の変動をどの程度捉えるかを確認することが論点です。過去の期間を切り分け、将来の情報が混ざらない条件で、単一モデルや既存の方法と比較する進め方が考えられます。4モデルを動かすため、計算時間、メモリー、初回取得の負担も評価に含まれます。公開された評価順位は比較時点のものであり、自社データでの優位を保証しません。欠損や時間間隔の違い、急な分布変化がある場合も別に調べる必要があります。まず均等統合を基準にし、IQR方式などの変更が誤差と区間の両方を改善するかを確かめる方法があります。結果を判断に使う業務では、どの程度の幅なら人が見直すかも定める対象です。モデル選択の簡素化と、予測を受け取る業務の責任を合わせて設計することが焦点です。