多変量時系列予測は、金融、気象、エネルギー、交通など様々な分野で重要な役割を果たしており、その予測は共変量間の複雑な相互作用に依存している。予測モデルは通常、多数のベンチマークデータセット上で評価されるが、予測精度はモデルの能力とタスクの予測可能性の両方を反映するため、使用するモデルとは独立にタスクの難しさを特徴付けることは困難である。既存の予測可能性指標の多くは非線形依存関係を捉えられないか、単変量系列に限定されている。
この問題に対処するため、Yuxuan Shuらによる研究は「多変量予測可能性スコア（Multivariable Predictability Score、MAPS）」と呼ばれる新しい指標を提案した。MAPSはモデル非依存の尺度として設計され、多変量時系列予測タスクの本質的な予測可能性を測定する。共変量情報を利用して、異なるルックバックウィンドウと予測ホライズンにわたる予測可能性を評価し、予測に利用可能な情報を定量的に評価する。これにより、研究者はモデルを選択・設計する前に、タスク自体の難易度と予測可能性を把握できる。
MAPSの有効性を検証するため、著者らは合成データセットと実世界の予測データセットで実験を行い、6つのベースライン予測可能性指標と比較した。合成データセットでは、MAPSは期待される参照予測可能性と高い一致を示し、相関係数は0.963に達した。実世界データセットでの実験結果は、ほとんどの実験設定においてMAPSがより信頼性の高い予測情報の推定を提供することを裏付けている。
本研究は機械学習（cs.LG）分野に属し、論文は2026年10月23日にarXivに投稿された（arXiv:2610.33209v1、DOI: 10.48550/arXiv.2610.33209）。著者はコードへのリンクも提供しており、コミュニティによる再現とさらなる研究を促進している。MAPSのモデル非依存特性は、多変量時系列予測タスクの評価における汎用ツールとしての可能性を秘めており、研究者が特定のタスク上で異なるモデルをより公平に比較し、タスクの予測可能性の限界をより深く理解するのに役立つ。