NVIDIA、予測ライブラリ「Kumo Forecast」を公開

NVIDIAは、多変量時系列データを予測するオープンソースライブラリ「Kumo Forecast」をApache 2.0ライセンスで公開しました。以前はNV-Tesseract Forecastingと呼ばれていたこのモデルは、事前学習済みTransformerに、過去データの関連パターンを加える任意の検索機能を組み合わせています。基本エンコーダーは約3億4,000万パラメーターで、MOMENT-1-largeを基盤とします。コードはNVIDIA/Kumo-TS、重みはnvidia/Kumo-Forecastとして入手できます。

直接予測モードでは、直近の観測値と学習済みの予測ヘッドを使って将来の値を予測します。Domain-Aware Representation and Retrieval（ドメインを考慮した表現と検索、DARR）モードでは、最近傍法で過去データから類似パターンを探し、直接予測と組み合わせます。利用者は入力ウィンドウに直近の観測値を渡し、検索用の過去データを別のDataFrameとして指定できます。設定項目を使って、最終予測に各経路をどれだけ反映するか調整できます。

学習時には、事前学習済みエンコーダーと埋め込み器の重みを固定し、予測ヘッドを学習します。モデル本来の予測期間を超える場合は、先に得た予測を後続ステップに入力する自己回帰予測で延長できます。ライブラリはDataFrameを中心としたインターフェースを備え、予測期間を設定でき、任意で過去データも利用できます。

任意の解釈可能性フレームワークは予測器と併用でき、別の予測アーキテクチャは必要ありません。予測期間ごとに、ラグと特徴量の寄与度、意味的な流れと軌跡の安定性に関する診断を生成し、埋め込みに対するIntegrated Gradientsも利用できます。NVIDIAはDARRの手法を論文「Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains」に、説明フレームワークを「NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates」に関連付けています。

Kumo Forecastは、タイムスタンプ列と1つ以上の値列を持つ数値時系列データを受け付けます。データはpandasのDataFrame、CSVまたはJSONで渡せます。入力系列長は256、512、1024、2048件に対応し、DARRで使う過去データには入力データと同程度の次元が必要です。NVIDIAは、同じ検証用予測区間で直接予測と検索を加えた設定を比較し、想定する予測期間や運用条件にわたって品質を確かめるよう勧めています。Kumo-TSリポジトリには、利用者が用意したCSVでモデルを追加学習する例もあります。Factory Operations（FOX）Blueprintの予知保全デモでは、Kumo AnomalyとKumo Forecastを使い、リアルタイムデータを分析して将来の異常を予測します。

NVIDIAは、多変量時系列データを予測するオープンソースライブラリ「Kumo Forecast」をApache 2.0ライセンスで公開しました。以前はNV-Tesseract Forecastingと呼ばれていたこのモデルは、事前学習済みTransformerに、過去データの関連パターンを加える任意の検索機能を組み合わせています。基本エンコーダーは約3億4,000万パラメーターで、MOMENT-1-largeを基盤とします。コードはNVIDIA/Kumo-TS、重みはnvidia/Kumo-Forecastとして入手できます。

直接予測モードでは、直近の観測値と学習済みの予測ヘッドを使って将来の値を予測します。Domain-Aware Representation and Retrieval（ドメインを考慮した表現と検索、DARR）モードでは、最近傍法で過去データから類似パターンを探し、直接予測と組み合わせます。利用者は入力ウィンドウに直近の観測値を渡し、検索用の過去データを別のDataFrameとして指定できます。設定項目を使って、最終予測に各経路をどれだけ反映するか調整できます。

学習時には、事前学習済みエンコーダーと埋め込み器の重みを固定し、予測ヘッドを学習します。モデル本来の予測期間を超える場合は、先に得た予測を後続ステップに入力する自己回帰予測で延長できます。ライブラリはDataFrameを中心としたインターフェースを備え、予測期間を設定でき、任意で過去データも利用できます。

任意の解釈可能性フレームワークは予測器と併用でき、別の予測アーキテクチャは必要ありません。予測期間ごとに、ラグと特徴量の寄与度、意味的な流れと軌跡の安定性に関する診断を生成し、埋め込みに対するIntegrated Gradientsも利用できます。NVIDIAはDARRの手法を論文「Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains」に、説明フレームワークを「NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates」に関連付けています。

Kumo Forecastは、タイムスタンプ列と1つ以上の値列を持つ数値時系列データを受け付けます。データはpandasのDataFrame、CSVまたはJSONで渡せます。入力系列長は256、512、1024、2048件に対応し、DARRで使う過去データには入力データと同程度の次元が必要です。NVIDIAは、同じ検証用予測区間で直接予測と検索を加えた設定を比較し、想定する予測期間や運用条件にわたって品質を確かめるよう勧めています。Kumo-TSリポジトリには、利用者が用意したCSVでモデルを追加学習する例もあります。Factory Operations（FOX）Blueprintの予知保全デモでは、Kumo AnomalyとKumo Forecastを使い、リアルタイムデータを分析して将来の異常を予測します。