Apple ML Research dévoile TopoPrimer, un contexte topologique pour les modèles de prévision

Apple ML Research a présenté TopoPrimer, un framework qui fait de la structure topologique globale d'une population de séries temporelles une entrée explicite de tout modèle de prévision, et non un effet secondaire de l'entraînement.

Quel problème TopoPrimer résout-il

La plupart des modèles de prévision de séries temporelles s'entraînent en ne voyant que des séquences isolées, sans représentation explicite de l'organisation de l'ensemble des séries d'un domaine. Par exemple, la manière dont des milliers d'articles en distribution sont liés entre eux, ou des milliers de capteurs dans un réseau industriel. TopoPrimer comble cette lacune : il précalcule la structure topologique globale des données une fois par domaine, puis la transmet au modèle comme contexte supplémentaire.

• Développeur : Apple ML Research
• Nom du framework : TopoPrimer
• Méthode de calcul de la structure : homologie persistante et coordonnées spectral sheaf
• Effets annoncés : gain de précision, robustesse face aux pics saisonniers de demande, réduction de l'écart du démarrage à froid
• Tests : quatre benchmarks publics, dont le modèle Chronos

De quoi se compose le framework

TopoPrimer repose sur deux composants calculés une fois par domaine : l'homologie persistante, qui étudie les caractéristiques topologiques stables des données, et les coordonnées spectral sheaf. D'après les auteurs, ce sont les coordonnées spectral sheaf qui apportent l'essentiel du gain de précision ; l'autre composant joue un rôle d'appoint.

Le framework est souple côté intégration. Pour les modèles entièrement entraînables, TopoPrimer se déploie au niveau du token. Pour les backbones préentraînés existants, il se branche comme un adaptateur léger, qui n'impose pas de réentraîner le modèle de zéro.

Ce que cela signifie

TopoPrimer propose un moyen de donner aux modèles de prévision un contexte sur la structure de l'ensemble du domaine de données, et pas seulement d'une série donnée. Cette approche peut s'avérer utile là où les fortes variations saisonnières de la demande et le lancement de nouveaux produits sans historique de ventes dégradent traditionnellement la précision des prévisions.