IBM、SOTA時系列予測モデル「Granite Time Series PatchTST-FM-r2」を商用利用可能なライセンスでリリース
IBM Granite Time Series PatchTST-FM-r2モデルの概要と革新性
IBM Researchは、最先端のゼロショット時系列予測モデル「Granite Time Series PatchTST-FM-r2」をリリースしました。このモデルは、約3億8500万のパラメータを有し、特にファインチューニングやタスク固有の適合なしに新しいデータに対して予測を生成できるという点で注目されます。
PatchTST-FM-r2は、その前身であるPatchTST-FM-r1の進化版であり、更新されたアーキテクチャ、より大規模な事前学習コーパス、確率的予測機能、および欠損値補完のサポートを統合しています。 特筆すべきは、Apache 2.0およびLinux FoundationのOpenMDW 1.0という商用利用可能なデュアルライセンスの下で提供されている点です。これにより、企業や開発者は、許可されたライセンスでSOTA時系列予測能力を活用できるようになります。 このリリースには、モデルの重み、アーキテクチャ、推論パイプライン、およびベンチマーク結果を再現するために必要なコードがすべて公開されており、透明性とアクセシビリティが確保されています。
Conformerアーキテクチャによる技術的深掘り
Granite Time Series PatchTST-FM-r2は、PatchTSTファミリーの有効性を確立したパッチベースの表現を保持しつつ、内部アーキテクチャに大幅な改良を加えています。 最も顕著な変更点は、標準のTransformerブロックをConformerブロックに置き換えたことです。 Conformerブロックは、もともと音声処理分野で普及した設計であり、マルチヘッド自己アテンション層と時間畳み込み層を組み合わせ、これらを2つのハーフステップフィードフォワード層で挟む構造を特徴としています。
このハイブリッドなアプローチの「なぜ」と「どのように」は、時系列データの特性に深く根ざしています。畳み込みコンポーネントは短距離の時間構造を効率的に捉える役割を果たし、アテンションメカニズムがパッチ間の長距離の関係に集中できるようになります。 これにより、モデルは短期的な変動と長期的なトレンドの両方を高い精度でモデル化することが可能になります。畳み込みカーネルサイズは3と5を交互に繰り返し、{5, 5, 3, 3}のパターンで適用されます。
モデルは、パッチ長16、ストライド8の50%重複パッチを使用し、トレーニング時にはHamming窓重み付け、推論時にはオーバーラップ・アンド・アッド予測を採用しています。 また、トレーニングの安定性を向上させるために、ヘッド前層正規化が適用されています。 PatchTST-FM-r2は、隠れ次元が1024、ブロック数がr1の20から30に増加しており、最大8192ステップのコンテキスト長をサポートします。 加えて、CauKer法を用いて生成された合成データにより事前学習コーパスが拡張され、モデルの汎化能力がさらに向上しています。
ベンチマーク性能と市場への影響
Granite Time Series PatchTST-FM-r2は、多様なデータセットとシナリオにわたる予測モデルを評価するための包括的なベンチマークであるGIFT-Evalにおいて、目覚ましい性能を発揮しています。 2026年9月8日時点で、再現可能なゼロショットモデルの中で、CRPS（連続確率予測スコア）とMASE（平均絶対スケール誤差）の両方で2位にランク付けされており、これらの指標では低い値ほど優れているとされます。 特に、許可された商用利用可能なライセンスでリリースされたモデルの中では、最も性能の高いモデルであると報告されています。 報告されたGIFT-Evalの幾何平均CRPSは0.467、幾何平均MASEは0.6846であり、これはTimesFM-3に次ぐ性能です。
さらに、厳密なゼロショットモデルではない事前学習済みモデルを比較対象に含めた場合でも、PatchTST-FM-r2は再現可能なモデルの中でCRPSで3位、MASEで4位に位置し、Chronos-2、Timer-S1、Totoの各バリアントなどのより大規模なモデルをも上回っています。 この優れた性能は、エネルギー負荷予測、需要予測、金融市場分析、IoTデータ分析など、幅広い産業分野における高精度な時系列予測の可能性を大きく広げます。商用利用可能なライセンスとSOTA性能の組み合わせは、業界全体に大きな影響を与え、AIの民主化をさらに推進することでしょう。
開発者・エンジニア視点での考察
-
商用利用可能なApache 2.0およびOpenMDW 1.0デュアルライセンス、そしてHugging Face Hubでの公開により、企業やスタートアップはSOTAの時系列予測モデルを既存の製品やサービスに容易に統合できます。これにより、ライセンス問題を気にすることなく、迅速なプロトタイピングから本番環境への導入までを加速し、市場投入までの時間を短縮することが可能になります。
-
Conformerブロックの採用と短距離・長距離パターンを効率的に捉えるためのアーキテクチャ（畳み込みとアテンションの組み合わせ）は、多様な時系列データ（金融、IoTセンサーデータ、需要予測など）に対して、より堅牢で高精度な予測モデルを構築するための強固な基盤を提供します。特にゼロショット性能が高いため、特定のドメインに対するファインチューニングが不要なケースや、データ量が限られている環境で迅速な展開が求められるシナリオにおいて、開発コストと時間を大幅に削減できるでしょう。
-
確率的予測（99分位の出力）と欠損値補完のネイティブサポートは、リスク管理や意思決定支援の質を飛躍的に向上させます。開発者は、単一の点予測だけでなく、予測の不確実性（信頼区間）をアプリケーションに組み込むことができ、より情報に基づいた意思決定を支援できます。また、欠損値の前処理ステップを簡素化できるため、データパイプラインの複雑さを軽減し、モデルへの入力データ準備にかかる労力を削減することが可能です。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
