Ugrás a tartalomra
Neural Daily

ModellekHír

IBM Granite Ensemble: négy idősor-modell, egy előrejelzés

Az IBM Research nyílt recepttel köti össze négy Granite idősor-modelljét. Nem kell előre eldönteni, melyik architektúra illik az adatodhoz: az ensemble medián és kvantilis előrejelzést ad, újratanítás nélkül.

Írta: Mikola Máté Patrik · · 2 perc olvasás

Four colored forecast lines merging into one forecast with an uncertainty band, under the headline "Forecasting together"
Kép: IBM Research · Sajtókép · Official blog post social image (og:image) · Forrás

Mi történt?

Az IBM Research kiadta a Granite Timeseries Ensemble R1-et (Hugging Face blog). Ez nem új modellsúly, hanem egy recept: négy előtanított Granite idősor-modell előrejelzését vonja össze egyetlen medián és kvantilis előrejelzéssé. A recept és az alapértelmezett tagok Apache 2.0 licencűek.

Mit tud?

  • Négy tag, négy architektúra: PatchTST-FM-r1 (Transformer), PatchTST-FM-r2 (Conformer), FlowState-r1.1 (state-space) és TTM-r3 (Tiny Time Mixers).
  • Probabilistic Ensemble: minden tag egyenlő súllyal számít, nincs illesztett súly és nincs hangolandó hiperparaméter. Ez az alapértelmezett.
  • IQR Ensemble: a szűkebb előrejelzési sávú tag nagyobb súlyt kap, mintánként és lépésenként változóan. A temperature beállítással a súlyok az egyenletes felé tolhatók.
  • Kimenet: pontbecslés, illetve alapból 0,1 és 0,9 közötti kvantilisek. A 0,1 és 0,9 közti sáv névlegesen 80%-os lefedettségű.
  • Bővíthető: a közös Forecaster interfész külső, kompatibilis modelleket is fogad, a kimeneti formátum ugyanaz marad.

Mennyit hoz?

A GIFT-Eval 97 konfigurációján, finomhangolás nélkül mindkét ensemble jobb MASE-t ért el, mint bármelyik tagja. A Probabilistic Ensemble MASE értéke 0,683, a legjobb egyedi tagé (PatchTST-FM-r2) 0,685. Valószínűségi metrikán (CRPS) viszont a PatchTST-FM-r2 marad a legjobb, 0,467-tel, szemben az ensemble 0,471-ével. Az IBM szerint a 2026. október 20-i állapotban a megközelítés a 3. a jogosult rendszerek között MASE és CRPS rangsorban.

GIFT-Eval MASE and CRPS rank chart showing both Granite Ensemble R1 recipes among the top eligible reference models
IBM Research · Sajtókép · Benchmark figure from the official blog post · Forrás

Forrás: IBM Research, Hugging Face blog (GIFT-Eval, 2026. október 20-i állapot)

Miért fontos?

A különbség kicsi, a lényeg a robusztusság: nem kell minden új idősornál kitalálni, melyik modell lesz a nyerő. Ára viszont van, mert négy modell fut egy helyett, így a késleltetést és a memóriát érdemes mérni. Az IBM maga is azt javasolja, hogy saját, reprezentatív adaton backtesteld a két receptet egy erős egyedi taggal szemben.

Kipróbálás

Telepítés: pip install "granite-tsfm>=0.3.11", a recept pedig a model card szerint a QuantileEnsembleForecaster.from_pretrained("ibm-granite/granite-timeseries-ensemble-r1") hívással tölthető be. Az első futás lassabb, mert a négy tag súlyait ekkor tölti le. A repóban lévő bővített receptek egyes tagjai nem kereskedelmi licencűek, ezeknél nézd meg a model cardot.

    MI segítségével készült, szerkesztő ellenőrizte. Hogyan készülnek a cikkeink

    Szerkesztőségünk ellenőrizte és szerkesztette. Rólunk

    Kapcsolódó cikkek