CMU、多期間予測のボラティリティ低減手法「Forking-Sequences」を論文とコード公開

記事の3ポイント

1. 1

   計算コスト増なしの予測安定化

   Forking-Sequences は単一順次パスで全ての予測日に対する重複 forecasts を生成するため、推論時にアンサンブルを適用しても追加のエンコーダー計算が必要にならない。

2. 2

   新しい変動性評価指標の導入

   Ground truth 不要でリアルタイムの修正規模を測る sFPC と、精度向上に寄与する修正は称賛し誤った方向への修正や過剰反応のみを罰する Excess Volatility (EV) の2つの新指標が提案された。

3. 3

   既存モデルへのゼロショット適用

   Chronos-2 や TimesFM などの事前学習済み時系列ファウンデーションモデルに対して、追加学習なしでアンサンブル手法を適用することで変動性を約10%削減し、精度低下は0.1%未満に抑えた。