あらゆる時系列データの集合体から、その全体的な「地形」を読み取って予測モデルに教えるフレームワーク「TopoPrimer」が公開された。個別の過去データに頼る従来手法が苦手としてきた、新商品の需要予測や季節変動のピーク時といった難条件においても、精度の大幅な低下を防ぐ点が際立つ。

データ全体の「かたち」を数学的に写し取る

TopoPrimerの中核にあるのは、パーシステントホモロジーとスペクトラルシーブ座標という数学の道具だ。多数の時系列データが存在する空間のつながり方や穴、分岐といった構造を抽出し、各データが全体地図上のどこに位置するかを数値化する。この計算は分析対象の領域ごとに一度だけ行えばよく、そこから得た位置情報を文字通り「一つのトークン」として予測モデルに与える。既に学習済みの大規模モデルに対しては、軽量なアダプターとして機能する設計も用意された。特にシーブ座標が精度向上の主因であり、単なる補助情報を超えた主要な入力要素として組み込まれている。

季節ピークと新規商品で示された予測の耐性

従来の統計手法や大規模な基盤モデルは、需要が急増する季節ピーク時に誤差が最大で約50%増加することがあった。対してTopoPrimerを組み込んだモデルでは、この劣化が10%以内に抑えられている。また、全く販売履歴のない新商品を想定したコールドスタートの実験では、平均絶対誤差（MAE）を27%削減した。これらの改善は、ゼロショットで利用した場合もファインチューニングした場合もほぼ同じ規模で得られている。これは、トポロジー構造が時系列データの個別学習では捉えられない、相補的な情報をもたらしていることを示唆する。

予測モデルに新たな競争軸としてのドメイン知識

TopoPrimerの成果は、ChronosやTimesFMといった公開済みの主要な時系列基盤モデルを用いた4つのベンチマークで確認され、ECLデータセットでは平均二乗誤差（MSE）が最大7.3%改善した。注目すべきは、この改善が基盤モデル自体の性能限界を引き上げたのではなく、モデルに入力する「コンテキスト」の質を根本から変えた点にある。個々のモデルの大規模化や学習データの拡張とは別に、分析対象領域に関する構造化された事前知識をいかにモデルへ注入するか、という新たな開発レイヤーが生まれつつある。