2026-10-21 — views
NVIDIA Kumo Forecast、解釈可能な時系列予測のためのDARRモードを発表
読む理由 Kumo Forecastは、直接予測と履歴コンテキストを融合させるため、ドメイン対応表現と検索（DARR）を導入し、多変量予測のための透明性が高くApache 2.0ライセンスで提供されるソリューションを開発者に提供します。
NVIDIAは、時系列タスク向けに事前学習済みTransformerと履歴パターン検索、内蔵解釈性を組み合わせたモデル「Kumo Forecast」をリリースしました。
多変量予測への新たなアプローチ
NVIDIAは、学習された表現と履歴観測の間のギャップを埋めるために設計された多変量時系列予測モデル「Kumo Forecast」を発表しました。以前はNV-Tesseract Forecastingとして知られていたこのシステムは、事前学習済みTransformerバックボーンと、ドメイン対応表現と検索（DARR）と呼ばれる新しいコンテキスト強化モードを組み合わせています。このアーキテクチャは、予測精度の向上と結果の解釈可能性の提供を目指しています。
モデルは、約3億4000万パラメータのベースエンコーダーを使用するMOMENT-1-largeバックボーン上に構築されています。アーキテクチャはエンコーダーとエンベダーの重みを固定したまま、別の予測ヘッドをトレーニングします。この分離により、モデルは堅牢な事前学習済み時系列表現を活用しつつ、特定の予測タスクに適応することができます。ライブラリはDataFrameファーストのAPIを提供しており、開発者は予測ホライズンを設定し、オプションでパターン検索のための履歴コンテキストを供給できます。
DARRによる予測の強化
Kumo Forecastは2つの主要なパスウェイを通じて動作します。直接予測パスでは、モデルはMOMENTベースのTransformerとトレーニングされた予測ヘッドを使用して、将来の値を予測します。モデルのネイティブな能力を超えるホライズンに対しては、システムは再帰的に予測を拡張する自己回帰拡張をサポートします。
DARRモードは、最近傍アプローチを使用して履歴データから関連パターンを検出することで、この直接予測を補完します。このプロセスでは、直近の観測値を供給するモデルの入力ウィンドウと、パターン検索のための追加コンテキストを提供する別の履歴DataFrameを区別します。開発者は設定オプションを通じて各パスウェイの重みを調整でき、モデルの直接予測と検索された履歴パターンをブレンドできます。この区別により、システムは2つの異なる情報源、すなわち事前学習中に学習された表現と、現在のアプリケーションで利用可能な履歴観測から情報を引き出すことができます。
内蔵解釈性フレームワーク
Kumo Forecastの重要な特徴は、モデル非依存の解釈性フレームワークです。これを有効にすると、このフレームワークは、異なる予測アーキテクチャを必要とせずに予測に付随する説明バンドルを生成します。バンドルには、予測ホライズンごとのラグおよび特徴の帰属、セマンティックフロー診断、軌跡安定性診断、およびオプションの埋め込み統合勾配が含まれます。これにより、ユーザーは特定の予測の背後にある推論を理解することができ、ディープラーニングモデルに関連するブラックボックス性を解消します。
実装の詳細
Kumo ForecastはApache 2.0ライセンスの下で利用可能で、モデルコードはNVIDIA/Kumo-TSに、重みはnvidia/Kumo-Forecastにホストされています。システムは、サポートされる入力シーケンス長が256、512、1024、2048の観測値を持つ数値データと時系列データを必要とします。入力はタイムスタンプ列と1つ以上の数値値列で構成され、pandas DataFrameまたはCSV/JSONファイルとして表されます。DARRモードを使用する場合、コンテキストデータの次元は入力コンテキストのコンテキストと類似している必要があります。
モデルはすでにFactory Operations (FOX) Blueprintなどのより広範なアプリケーションに統合されています。このブループリントには、Kumo AnomalyとKumo Forecastの両方を利用してリアルタイムデータを分析し、将来の異常を予測する予測保守のためのEarly Accessモジュールが含まれています。開発者は、ユーザー提供のCSVデータ上でモデルをファインチューニングするための例も発見でき、事前学習済みワークフローを特定のユースケースに適応させるための出発点を提供します。
実装ノート
開発者は、NVIDIAがユースケース固有のテストを要求しているため、意図されたホライズンと運用条件全体で予測品質を検証する必要があります。DARRモードを活用する際は、検索エラーを避けるために履歴コンテキストデータの次元が入力コンテキストと一致していることを確認してください。