時系列予測は、金融、エネルギー、交通、公衆衛生、産業監視などの分野における意思決定を支えている。近年の基盤モデルは、予測タスク間の転移学習を改善しているが、その多くは集中管理されたデータとTransformerアテンションに依存しており、長く高次元でプライバシーに敏感な信号への適用を制限している。この課題に対して、Shah Nawaz Haiderら5名の著者は2026年7月2日にarXivに投稿した論文で、QuantFlowというフェデレーテッド確率的予測フレームワークを提案した。
QuantFlowの設計の核心は、複数の技術コンポーネントの有機的な統合にある。まず、反転シーケンス埋め込みを採用し、各変数を完全な観測ウィンドウ上で埋め込むことで、変数内の時系列パターンをより適切に捉える。次に、双方向Mamba状態空間デコーダを使用し、系列情報を前向きと後向きの両方向で処理することで、文脈理解を強化する。最後に、分位点回帰により出力を5つの条件付き分位点に投影し、予測が点推定だけでなく不確実性の定量化も提供できるようにする。
モデルの汎化能力をさらに高めるため、著者はTSMixupデータ拡張戦略を導入した。この手法は、Dirichlet重み付き補間により系列構造を保持しながら時間次元の多様性を拡張し、より多様な時系列変化を模擬する。この拡張はMambaの状態空間モデリングと組み合わされ、モデルがよりロバストな表現を学習するのに役立つ。
実験評価は、暗号通貨、交通、電力、電力変圧器温度（ETT）、インフルエンザ、天気という6つの異なる領域のデータセットをカバーしている。ETTm1データセットでは、QuantFlowは平均二乗誤差（MSE）0.2834を達成し、Weatherデータセットでは0.2218であった。これらの結果は、選択的状態空間モデリングに基づくアーキテクチャが予測精度において競争力があることを示している。さらに、著者は20クライアントの非独立同分布（non-IID）フェデレーテッドラーニングシナリオをシミュレートした。わずか3回の通信ラウンド後もモデルは実用的な精度を維持し、その過程で生データは一切集中化されなかった。これはフェデレーテッドラーニングのプライバシー保護における可能性を強調している。
しかし、論文はモデルの限界も率直に指摘している。インフルエンザなどの疫学信号では、データの不規則性と複雑さのため、QuantFlowの性能は制限される。また、長期予測タスクでは、モデルの汎化能力にまだ改善の余地がある。これらの発見は、不規則サンプリングデータへの特化した処理や長系列モデリングの改善など、今後の研究の方向性を示している。
全体として、QuantFlowは選択的状態空間モデルがスケーラブルで不確実性を認識し、プライバシーに配慮した時系列予測の基盤として有望であることを示し、ポストTransformer時代の基盤モデル設計に新たな視点を提供している。