QuantFlow: 時系列予測のためのフェデレーテッド・マンバベース・ポスト・トランスフォーマー基盤モデル

私たちの身の回りでは、株価の動き、電力の使用量、電車の運行状況、さらには感染症の流行まで、未来の出来事を予測することが、より良い判断を下すためにとても大切になっています。例えば、金融の世界では株価がどう動くか、エネルギー業界では電力需要がどれくらいになるか、といった予測が、ビジネスの成功を左右することもあります。

最近、AI（人工知能）の分野では「基盤モデル」と呼ばれる、色々な予測タスクに応用できる賢いAIが登場してきました。しかし、これらのAIの多くは、たくさんのデータを一つの場所に集めて学習したり、データを細かく分析するために「トランスフォーマー」という仕組みを使ったりしています。このため、プライバシーを守りながら大量のデータを扱ったり、長くて複雑なデータを分析したりするのが難しいという課題がありました。

そこで今回、この課題を乗り越える新しいAIの仕組み「QuantFlow（クォントフロー）」が提案されました。QuantFlowは、単に未来を予測するだけでなく、その予測がどれくらい確からしいか、という「確率」まで教えてくれるのが特徴です。これは、未来の出来事が一つに決まるわけではなく、いくつかの可能性が考えられる場合に、それぞれの可能性の度合いを示すということです。

QuantFlowがすごいのは、いくつかの新しい技術を組み合わせている点です。まず、データを「逆順」に処理することで、過去だけでなく未来のトレンドも捉えやすくしています。さらに、「マンバ」という新しい状態空間モデルを使うことで、長い時系列データでも効率的に処理できるようにしました。そして、予測の精度を高めるために「分位数回帰」という手法を採用し、5つの異なる確率レベルでの予測値を出力します。さらに、プライバシーに配慮しながら、分散したデータを学習させる「フェデレーテッド学習」という技術も取り入れています。

QuantFlowのもう一つの工夫は、「TSMixup」というデータ拡張技術です。これは、学習データを増やす際に、データの時間的な順序を保ちながら、より多様なパターンを作り出すことで、AIが様々な状況に対応できるようになることを目指しています。これにより、AIの予測能力がさらに向上することが期待されます。

このQuantFlowは、仮想通貨の価格変動、交通量、電力消費量、さらにはインフルエンザの流行予測や気象データといった、様々な分野での応用が期待されています。特に、プライバシーが重要視される現代において、データを集約せずに学習できるフェデレーテッド学習の要素は、今後のAI開発において大きな意味を持つと考えられます。