TopoPrimerは、Apple機械学習研究チーム（Zara Zetlin、Kayhan Moharreri、Maria Safi）によって2026年7月に発表された革新的なフレームワークです。このフレームワークの核となるアイデアは、時系列予測モデルに対して、系列母集団全体のグローバルなトポロジー構造を明示的な入力として与えることです。従来の予測モデルは個々の系列の統計的特性に注目するだけで、系列間の潜在的な構造的関連性を無視していました。TopoPrimerは、パーシステントホモロジーとスペクトル層座標という二つの数学的ツールを用いて、各ドメインのトポロジー構造を事前計算し、モデルへの入力特徴量として提供します。
TopoPrimerの展開方法は柔軟です。完全訓練モデルに対しては各タイムステップのトークンに追加特徴として組み込まれ、事前学習済みバックボーン（ChronosやTimesFMなど）に対しては軽量アダプターとして挿入されます。実験結果は、スペクトル層座標が精度向上の主要な要因であることを示しています。4つの公開ベンチマークにおいて、TopoPrimerは一貫して予測精度を改善し、ECLデータセットでは平均二乗誤差（MSE）を最大7.3%削減しました。注目すべきは、このトポロジーの利点がゼロショットおよびファインチューニングされたバックボーンでほぼ同じ大きさで維持されることであり、トポロジー情報と系列ごとの訓練信号が相補的な情報を捉えていることを示唆しています。
TopoPrimerの効果は、最も困難な状況で特に顕著です。季節的な需要ピーク時には、従来モデルやゼロショットモデルの予測誤差が最大50%劣化するのに対し、TopoPrimerは10%以内の劣化に抑えられます。コールドスタート時、すなわち商品の履歴がない場合、TopoPrimerはトポロジーなしのベースラインと比較して平均絶対誤差（MAE）を27%削減しました。これらの結果は、時系列予測におけるトポロジカルコンテキストの重要性を強く示しており、特にデータが疎で動的な環境において、トポロジー情報が予測の頑健性と正確性を大幅に向上させることを証明しています。