Apple ML Researchは2026年7月5日(現地時間)、予測モデルにトポロジー構造を導入する新しいフレームワーク「TopoPrimer」を発表した。TopoPrimerは多様なドメインでの予測精度を向上させ、季節的な需要スパイク下での予測を安定化させ、コールドスタート問題に対処する。
TopoPrimerは、系列データ群の全体的なトポロジー構造を任意の予測モデルへの明示的な入力とすることを可能にするフレームワークである。
persistent homologyとspectral sheaf coordinatesを介してドメインごとに一度事前計算され、完全に学習済みのモデルにはトークンごとに、事前学習済みのバックボーンには軽量アダプターとして展開される。この二つの構成要素のうち、sheaf coordinatesが精度向上における主要な要因となる。
ChronosとTimesFMの4つの公開ベンチマークにおいて、TopoPrimerは予測精度を一貫して向上させ、ECLでは最大7.3%のMSE（平均二乗誤差）の改善を記録した。このトポロジーによる優位性は、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においてほぼ同等の規模で持続し、トポロジーと系列ごとの学習が相補的なシグナルを捉えることを示唆している。
特に困難な状況下でその効果は顕著であり、ピーク時の季節需要下では古典的なモデルやゼロショットモデルが最大50%の劣化を示すのに対し、TopoPrimerは10%以内に収まる。また、履歴がないコールドスタート時には、トポロジーを含まないベースラインと比較してMAE（平均絶対誤差）を27%削減する。
この研究論文の著者には、ザラ・ゼットリン (Zara Zetlin)、カイハン・モハレリ (Kayhan Moharreri)、マリア・サフィ (Maria Safi) が名を連ねる。
参考: Apple ML Research (アーカイブ) — 2026年7月6日 09:00 (JST)
原文ハイライト"sheaf coordinates are the primary accuracy driver."