AutoGluon Time Series Data構造とモデル挙動 備忘録

概要

Amazonが開発したChronosを使ってみたかったので、調べてみるとAutoGluonというAutoMLを発見。AutoGluonからChronosを使用することにした。datasetの作り方にひと癖あるので備忘録に残す。

1. データフォーマットとAutoGluonの解釈

AutoGluonにおけるデータ形式と、それがモデルにどう解釈されるか。

A. Wide Format (一般的なテーブルデータ)

横に列が並んでいる形式。AutoGluonに読み込ませる前の生データによくある形。

timestamp	Stock_A	Stock_B	VIX
2025-01-01	100	500	20.5
2025-01-02	102	505	21.0

• AutoGluonの扱い:
  • このままでは直接扱えない
  • 仮に Stock_A をTargetに指定した場合、Stock_B と VIX は自動的に 「説明変数 (Covariates)」 として扱われる（Stock_B の予測は行われない）

B. Long Format (AutoGluonの標準 TimeSeriesDataFrame)

item_id で縦に積み上げた形式をAutoGluonは要求する。
そのため、item_id、timestamp列を追加しておき、TimeSeriesDataFrame.from_data_frameメソッドで変換する。item_idには全予測対象を指定する。

item_id	timestamp	Close	VIX
Stock_A	2025-01-01	100	20.5
Stock_A	2025-01-02	102	21.0
Stock_B	2025-01-01	500	20.5
Stock_B	2025-01-02	505	21.0

• AutoGluonの扱い:
  • Global Univariate Model: すべての系列 (item_id) のデータを使い、1つの共通モデル（重み） を学習する。

2. "Global Model" の正体

「Global Model」は全系列の相互作用を自動計算するものではない。

• Local Model (従来の手法):
  • 系列ごとに個別のモデルを作る。（例：A専用の家庭教師、B専用の家庭教師）
  • Aのデータが少ないと学習できない。AとBの共通点を利用できない
• Global Model (AutoGluonの標準):
  • 全系列を1つのモデルで学習する。（例：全員を教える塾の先生）
  • メリット: 全データの共通パターン（季節性やトレンドの法則）を学習できる (Transfer Learning)
  • 注意点: デフォルトでは 「Aの予測にBの値を使う」ことはしない。あくまで「Aのデータだけを見て、みんなから学んだ法則を使って予測する」
  • Chronos (Foundation Model): Amazon等の膨大な外部データで事前学習された「時系列版LLM」

3. "Multivariate" (多変量) の定義と実装

統計学的な定義と、ライブラリ上の扱いの違い。

• 統計学的おいらの定義:
  • 入力変数が複数あり、互いの相関関係を利用して予測すること
• AutoGluonの用語:
  • 入力が複数でも出力が1つなら "Univariate with Covariates" と呼ぶ
  • AutoGluonで「系列間の相互作用（Aが上がればBも上がる）」を利用させたい場合は、明示的なFeature Enginneringが必要

相関を利用するためのデータセット作成法

ただ item_id で積み上げるだけでなく、「相手の値を共変量として各行に結合する」 必要がある。

item_id	timestamp	Close	Other_Close	VIX	意味
Stock_A	2025-01-01	100	500	20.5	Aの予測に、Bの値(500)もヒントとして使う
Stock_B	2025-01-01	500	100	20.5	Bの予測に、Aの値(100)もヒントとして使う

4. predict() の挙動と作法

特定の item_id だけを予測したい場合のルール。

• 予測対象の指定方法:
  • 引数ではなく、「渡すデータ (data)」 で指定する
  • predict(data) に Stock_A の行だけが含まれていれば、出力も Stock_A の予測値だけが返ってくる
• 必須条件:
  • 学習時に存在した 列 (Columns) は、予測用データにもすべて存在しなければならない
  • 例: Close_B を共変量として学習させたなら、Stock_A 単体の予測時でも Close_B 列（過去の実績値）を含んだ状態で渡す必要がある

5. 講演動画

Amazonが行ったAutoGluonの講演動画が出ていた。これによると800以上のAWSを含むAmazonの内部プロジェクトですでに運用されているらしい。だからエンジニアの大量解雇などができたのかもしれない。
個人的に気に入っているのは、AutoGluonはハイパラ調整を行わず、アンサンブルの重み調整に重点をおいているところ。ハイパラ調整は時間の無駄だとも述べている。そのためのPre-trainingでもあるし。

NotebookLMの要約

このチュートリアル講演録は、AutoGluon というオープンソースの自動機械学習（AutoML）ツールキットに関するもので、その機能、進化、そして将来展望を、3つの主要部分に分けて説明しています。まず、AutoGluon Tabular の最新版1.0を紹介し、動的スタッキングやTabRepoを用いた新しいポートフォリオ戦略により、AutoMLの最先端技術をどのように大きく飛躍させたかを強調しています。次に、時系列予測のためのKronosという基盤モデルを取り上げ、連続値を離散トークンに変換する手法（スケーリングと量子化）を用いて、LLM（大規模言語モデル）のアーキテクチャをゼロショット予測に応用する革新的なアプローチを解説しています。最後に、AutoGluon Assistantというプロジェクトを通じて、LLMを活用してデータの前処理や特徴量エンジニアリングを含むデータサイエンスパイプライン全体を自動化する、「ゼロコード」AutoMLの未来を探求しています。この講演は、AutoGluonがKaggleコンペティションで目覚ましい成功を収め、AutoMLがよりアクセスしやすく、強力なものになっていることを示しています。

以上