IBM、4つのGraniteモデルを1つの予測に統合。最良モデルとの差は1000分の2、本当の利点はモデル選びが不要になること

IBM Researchは10月22日、Hugging FaceでGranite Timeseries Ensembleを公開した。自社の時系列予測モデル4つを組み合わせ、点予測と分位点予測を1つにまとめて返すレシピで、再学習も重みの学習も必要ない。

IBMは4つの異なるアーキテクチャを1つの予測に積み重ねる

メンバーはGranite PatchTST-FM-r1(patched transformer)、PatchTST-FM-r2(patched conformer)、FlowState-r1.1(状態空間モデル)、TTM-r3(Tiny Time Mixers)の4つだ。トレンド、季節性、短期の変動をそれぞれ違う形で捉えるため、誤りが重なるとは限らない。規模は桁違いで、Hugging Faceの表示ではTTM-r3が141万パラメータ、FlowStateが907万、2つのPatchTSTモデルが3億と4億だ。

標準のProbabilistic Ensembleは全メンバーに同じ重みを与え、分位点予測を1つの分布にまとめる。代替のIQR Ensembleは、予測区間が狭いメンバーを優遇する。IBM自身、区間が狭いからといって予測が正確とは限らず、この方式は自信過剰なモデルを優遇しうると注意している。レシピと標準メンバーは寛容なライセンスで提供され、granite-tsfmパッケージのバージョン0.3.11以降でインストールできる。

GIFT-Evalではアンサンブルが1000分の2差で勝ち、分位点では負ける

IBMは両方のレシピを、fine-tuningなしでGIFT-Evalの97の構成で評価した。Probabilistic Ensembleは比較した6つの予測の中でMASEが最も低く、0.683だった。単体で最良のPatchTST-FM-r2は0.685だ。一方、確率分布全体を評価するCRPSでは、PatchTST-FM-r2が0.467で首位を保ち、両アンサンブルは0.471だった。2026年10月20日時点のリーダーボードでは、IBMが比較対象として適格とみなすシステムの中で、MASEとCRPSの平均順位のいずれでも3位に入った。

エネルギー、物流、ECのデータチームにとっては、絶対的なスコアより平均順位の方が重要だ。特定の系列では別のモデルが勝つことがあっても、アンサンブルは多様なデータで安定して上位に入る。IBMもはっきり述べている。主な利点は頑健性だ。需要から電力消費まで数百の系列を予測する企業なら、どのモデルを選ぶかという議論そのものが不要になる。残るのは、他の作者による互換性のあるフォーキャスターも追加できる1つのインターフェースだ。

Radarは以前、PatchTST-FM-r2をGIFT-Evalで最も強い寛容ライセンスのモデルとして取り上げた。アンサンブルは点予測の精度でわずかにそれを上回り、確率的な精度では後れを取る。良いモデルが1つあれば十分というチームにとって、変化は小さい。

4つのチェックポイントはメモリを食い、拡張レシピは別ライセンス

このレシピは実行時に4つのチェックポイントをすべてダウンロードするため、推論には単一モデルより時間とメモリがかかる。多変量系列はチャネルごとに個別に予測し、チャネル間の関係は使わない。気温と電力負荷のようなデータでは不利になりうる。IBMによれば、どちらの方式もキャリブレーションやデータ分布の変化への頑健性は保証しない。さらに、IBM Researchの追加チェックポイントを含む拡張レシピには独自のライセンス条件があり、非商用や研究用途に限る制限も含まれる。model cardを読まずにリポジトリから拡張版を使えば、製品に法的な問題を持ち込みかねない。

決め手はリーダーボードの順位ではなく、自社データでのバックテストだ

IBM自身、両アンサンブルとPatchTST-FM-r2を同じ過去の期間で比較し、分位点0.1から0.9までの区間が実際に80%のケースを含むかを確かめ、処理時間とメモリを測るよう勧めている。1000分の数の改善のために遅延が目に見えて増えるとわかれば、チームは単一モデルにとどまるだろう。もう1つのシグナルは、外部のフォーキャスターがこのインターフェースに加わり始めるかどうかだ。そうなれば、IBMのレシピは異なる作者のモデルの予測を組み合わせる中立的な方法になりうる。

Lilithの判定

気象予報士はとうの昔に、どのモデルが正しいかを言い争うのをやめ、複数の計算結果の束から天気を読んでいる。IBMは同じことを倉庫の計画担当者や電力会社に差し出した。精度は1000分の2だけ上がり、何より、どのモデルを信じるかで30分もめる会議が終わる。