詳細を読む
IBM Researchは2026年10月22日、4つのオープンなGranite時系列モデルを組み合わせる予測レシピをHugging Faceで公開しました。事前学習済みモデルを再学習せず、統一インターフェースから中央値と分位点を出力し、系列や予測期間ごとに最適な単一モデルを選ぶ負担とリスクを抑える狙いです。
標準のProbabilistic Ensembleは、各モデルに同じ影響力を与えて確率分布を統合するため、重みの学習や新たな調整項目が不要です。比較用のIQR Ensembleは予測区間が狭いモデルを重く評価し、分位点の交差を等調回帰で防ぎますが、過信したモデルを優遇する恐れもあります。
97種類のGIFT-Eval設定では、標準方式のMASEが0.683となり、最良の単一モデルPatchTST-FM-r2の0.685をわずかに下回りました。両統合方式は4つの構成モデルを集計MASEで上回った一方、確率予測の集計指標CRPS/MWQLではPatchTST-FM-r2が最良であり、統合が全指標で優位なわけではありません。
レシピが保存するのは統合設定であり、初回実行時に4つのチェックポイントを取得します。共通インターフェースには互換性のある外部モデルも追加できますが、拡張レシピの一部には非商用・研究用途など別のライセンス条件があるため、各モデルカードの確認が必要です。
導入前には実運用を反映した期間と予測幅で標準方式、IQR方式、強力な単一モデルを同条件でバックテストし、MASE、分位点損失、予測区間の実測カバー率、処理時間、メモリーを比較すべきです。現行レシピは多変量の各チャネルを独立に予測し、4モデル分の推論負荷がかかるうえ、分布変化への頑健性や確率予測の較正も保証しません。