NVIDIA、オープンな多変量時系列モデル「Kumo Forecast」を発表

NVIDIAは2026年10月21日、事前学習済みのMOMENT-1-large Transformerバックボーンに、過去データを対象とする任意の検索機能と、モデルに依存しない解釈可能性フレームワークを組み合わせた、オープンな多変量時系列予測モデル「Kumo Forecast」を発表した。以前はNV-Tesseract Forecastingとして知られていたこのモデルは、Apache 2.0ライセンスで提供されており、NVIDIAはHugging Faceブログの公式投稿で詳細を説明している。

この投稿は、NVIDIAのSaira Qureshi、Aditi Gautam、Manikandan Ravikiran、Sena Ekiz、Viraj P Modakが執筆した。モデルのコードは、拡散ベースのKumo-Anomalyパッケージも収録するオープンソースの時系列ライブラリ、NVIDIA/Kumo-TSのGitHubリポジトリで配布されている。一方、事前学習済みの重みは、Hugging Face上のnvidia/Kumo-Forecastのモデルカードを通じて提供される。同カードには、Hugging Faceでの公開日として04/07/2026、グローバルな展開、そして時系列データを対象に長期または短期の予測を行う企業、組織、研究拠点での利用が想定用途として記載されている。

事前学習済みバックボーンと直接予測

Kumo Forecastは、約3億4,000万のパラメーターを持つベースエンコーダーと、学習可能な予測ヘッドを備えたMOMENT-1-large Transformerエンコーダーをバックボーンとして使用する。学習中はエンコーダーと埋め込み器の重みを凍結し、予測ヘッドのみを学習させることで、事前学習済みの表現モデルとタスク固有の予測レイヤーを分離している。直接予測の経路では、予測ヘッドがモデルの表現を、指定された予測期間の将来値に変換する。モデル本来の対応範囲を超える予測期間については、予測を再帰的に延長する自己回帰型の拡張機能をライブラリがサポートする。

このライブラリは、予測期間を設定でき、検索用の過去データを任意で指定できる、DataFrameを中心としたAPIを提供する。入力には、タイムスタンプ列と1つ以上の数値列からなる数値時系列データが必要で、pandas DataFrameまたはCSV/JSON形式で指定する。対応する入力系列の長さは、観測値256、512、1024、2048件である。出力は、指定された予測期間のタイムスタンプと予測値を含むpandas DataFrameとなる。

DARRによる検索と解釈可能性

直接予測に加え、Kumo Forecastには、過去データからk近傍検索を行い、予測に情報を加えるコンテキスト拡張モード「Domain-Aware Representation and Retrieval（DARR）」が含まれている。SDKでは、別個のcontext_df引数を使って過去データを渡す。これにより、直近の観測値を提供するモデルの入力ウィンドウと、追加のパターンを提供する検索コンテキストが区別される。開発者は、ライブラリの設定オプションを通じて、最終的な予測に各経路をどの程度反映させるかを調整できる。NVIDIAは制約として、検索コンテキストの次元が入力のコンテキストの次元と近い必要があると記載している。

リポジトリにあるDARRのサンプルでは、アルファ値を0.2に設定している。コードコメントでは、これは直接予測が20％、kNN検索が80％の割合であると説明されている。また、kは64、温度は0.05に設定されている。このモードの詳細について、NVIDIAは開発者に「記憶拡張型予測：時間領域をまたぐスケーラビリティと汎化」という論文を案内している。リポジトリの参考文献一覧によると、この論文は2025年のIEEE International Conference on Big Dataの論文集に掲載されている。

この解釈可能性フレームワークはモデルに依存せず、基盤となる予測器を変更せずに動作する。有効にすると、予測期間ごとのラグと特徴量の寄与度、セマンティックフローの診断情報、軌跡安定性の診断情報、および任意で埋め込みに対するIntegrated Gradientsを含む説明バンドルを生成する。SDKでinterpretability=Trueを指定すると、予測結果とともに、JSONおよびCSVファイルとPDFレポートとしてバンドルが出力される。

このフレームワークは、Muyan Anna Li、Manikandan Ravikiran、Aditi Gautamによるプレプリント「NVExplain：潜在軌跡分析と構造保持型サロゲートによる時系列予測の説明」に基づいている。同論文は2026年8月25日にarXivへ投稿された。論文では、予測を潜在軌跡としてモデル化し、セマンティックフローを導入して、モデル内部の表現において情報が時間とともにどのように変化するかを定量化する。さらに、そのフローをラグと予測期間の寄与度行列に集約し、疎な局所サロゲートモデルと構造を保持する摂動を適用して、人が理解できる説明を生成する。著者らは、セマンティックフローを用いた手法が、標準的な事後解析のベースラインと比べて同等以上の忠実度を達成しながら、計算効率を大幅に高めると報告している。また、安定性分析によって、解釈を慎重に適用すべき状況を特定できるとしている。

学習データ、実行要件、連携機能

モデルカードによると、学習にはデータセットごとに80/20の割合で分割した300万件のデータポイントを使用し、欠損値のバリエーションを含む多様な30の主要データセットからなると説明されているMonash Time Series Forecasting Archiveからデータを選定しました。モデルカードに記載された評価用データセットは、2011年から2014年まで15分ごとに記録された370顧客分の電力消費データであるECL、サンフランシスコ・ベイエリアの高速道路でセンサーが測定した道路占有率であるTraffic、2年間にわたって毎時収集された電力変圧器の油温と6つの電力負荷特徴量であるETTh、そしてインフルエンザ様疾患の患者数が全患者数に占める割合を示す、米国疾病対策センターの週次データであるILIです。またモデルカードでは、時間依存性誤差に関する論文としてMOMENT、TimeRAF、Beyond MAEも参考文献に挙げています。

Kumo-Forecastは、Linux上でNVIDIA AmpereおよびHopperマイクロアーキテクチャに対応したPyTorch上で動作します。モデルカードによると、推論テストはそれぞれ8基のGPUを搭載したA100およびH100システムで実施されました。リポジトリでは、Kumo-Forecastの実行にPython 3.10以降、PyTorch 2.7以降、pandas、numpyを指定しています。また、GPUの使用を推奨し、GPUが利用できない場合は自動的にCPUに切り替わるほか、Hugging Faceから事前学習済みの重みを自動でダウンロードします。モデルカードでは、これらのモデルはNVIDIAのGPUアクセラレーションシステム向けに設計・最適化されており、AIシステムに組み込む際は、Vモデル手法に沿ってユースケースごとの追加テストが必要だとしています。

用途に応じた評価を行うため、NVIDIAは、同じ保留済みの予測期間を使って直接構成と検索拡張構成を比較し、想定される予測期間と運用条件の全範囲で予測品質を検証するよう推奨しています。Kumo-TSリポジトリには、ユーザー提供のCSVを使ってKumo-Forecastをファインチューニングする例も用意されており、開発者は事前学習済みモデルによる推論ワークフローに加え、自社データに合わせてモデルを適応させるための具体的な出発点も得られます。導入面では、Factory Operations Blueprintに、Kumo AnomalyとKumo Forecastを使っ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知保全モジュールの早期アクセスが含まれています。また、NVIDIAの投稿では、プラットフォーム統合を取り上げるGTC San Jose 2026のセッションが紹介されています。