NVIDIA Kumo Forecast: 事前学習済み時系列バックボーンと履歴パターン検索および解釈可能性

NVIDIA Kumo Forecast（旧称 NV-Tesseract Forecasting）は、事前学習済みTransformerバックボーンとドメイン認識表現および検索（DARR）を組み合わせた多変量時系列予測モデルです。DARRは、直接的なモデル予測と履歴データから取得したパターンを融合し、予測とともに解釈可能な説明を返すモードです。このモデルが重要なのは、予測を事前学習済み表現と現在のアプリケーションの履歴観測という2つの情報源に分割し、開発者が最終予測がそれぞれに依存する度合いを調整できるようにしつつ、基盤となる予測器を変更せずに解釈可能性レイヤーを追加できるからです。

Kumo Forecastとは

Kumo ForecastはApache 2.0ライセンスでリリースされ、モデルコードとモデル重みの両方として提供されます。

このモデルはMOMENT-1-largeバックボーン上に構築され、約3億4000万パラメータのベースエンコーダーと学習可能な予測ヘッドを使用します。ライブラリはDataFrameファーストのAPI、設定可能な予測ホライズン、検索用のオプションの履歴コンテキスト、および基盤となる予測器を変更せずにホライズン固有の説明を生成する解釈可能性フレームワークを提供します。

コンテキスト強化予測: 直接予測と検索の組み合わせ

Kumo Forecastは、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という2つの異なる情報源を中心に設計されています。

直接予測パスでは、Kumo ForecastはMOMENTベースのTransformerと学習済みの予測ヘッドを使用して将来の値を予測します。ドメイン認識表現および検索（DARR）モードでは、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追加で取得し、その情報を直接予測と組み合わせます。

これにより、モデルの入力ウィンドウと検索コンテキストの間に区別が生まれます。入力ウィンドウは予測のための最近の観測を提供し、別の履歴DataFrameはパターン検索のための追加コンテキストを提供できます。開発者はライブラリの設定オプションを通じて、最終予測が各経路に依存する強さを調整できます。

DARRモードは、公開された論文 Memory-Augmented Forecasting: Scalability and Generalization Across Temporal Domains で説明されています。

4つのアーキテクチャコンポーネント

Kumo Forecastは、事前学習済み時間エンコーダー、学習可能な予測ヘッド、履歴パターン検索メカニズム、および解釈可能性フレームワークの4つの主要コンポーネントを組み合わせています。

事前学習済み時間表現

モデルはMOMENT-1-large Transformerエンコーダーをバックボーンとして使用します。アーキテクチャは、予測ヘッドをトレーニングする間、エンコーダーとエンベッダーの重みを凍結し、事前学習済み表現モデルとタスク固有の予測層を分離します。

直接予測

予測ヘッドは、モデルの表現を要求されたホライズンの将来の値にマッピングします。モデルのネイティブ能力を超えるホライズンについては、Kumo Forecastは自己回帰拡張をサポートします。これにより、直接生成された予測と、予測を再帰的に拡張するより長い予測が区別されます。

ドメイン認識表現および検索（DARR）

DARRは、履歴コンテキストデータからのk最近傍検索で直接予測を強化します。このプロセスは直接予測と履歴パターン検索を組み合わせ、SDKは履歴コンテキストを別の context_df 引数を通じて受け入れます。

解釈可能性

Kumo Forecastには、モデルに依存しない解釈可能性フレームワークが含まれています。有効にすると、以下を含む説明バンドルが生成されます。

  • 予測ホライズンごとのラグと特徴量の属性
  • セマンティックフローの診断
  • 軌道安定性の診断
  • オプションの埋め込み統合勾配

これらの出力は予測に付随し、異なる予測アーキテクチャを必要としません。詳細は論文 NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates に文書化されています。

サポートされる入力と制限

Kumo Forecastは数値の時系列データに限定されています。サポートされる入力シーケンス長は256、512、1024、2048の観測値です。入力はタイムスタンプ列と1つ以上の数値列で構成され、pandas DataFrameとして表現されるか、CSVまたはJSON入力として提供されます。DARRモードを使用する場合、コンテキストの次元は入力のコンテキストと類似している必要があります。

実証されたアプリケーション

リリース資料には2つの統合が示されています。

予知保全。 Factory Operations (FOX) Blueprintには、Kumo AnomalyとKumo Forecastを活用する予知保全モジュールの早期アクセスが含まれています。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。デモビデオがモデルとともに公開されています。

プラットフォーム統合。 GTC San Jose 2026セッションではプラットフォーム統合が実証されており、リリースにはNVIDIAがホストするオンデマンド録画へのリンクが含まれています。

Kumo Forecastの評価と適応方法

NVIDIAはアプリケーション固有の評価を推奨しています: 同じホールドアウト予測ウィンドウで直接構成と検索強化構成を比較し、意図したホライズンと動作条件にわたって予測品質を検証します。これはNVIDIAのユースケース固有のテスト要件と一致しています。

Kumo-TSリポジトリは、ユーザー提供のCSVでKumo Forecastを微調整する例も提供しており、開発者に事前学習済み推論ワークフローと、モデルを独自のデータに適応させるための文書化された出発点の両方を提供します。

Sources