TS-RAG、参照トークンで履歴系列を融合し、6つの予測データセットで平均MSEを0.310に低減

TS-RAGの中核は、履歴系列を入力の末尾へ直接連結することではない。システムはまず各変数を固定長のパッチに分割し、追加の学習可能な参照トークンで検索結果を表現する。入力系列は自己注意（self-attention）によって自身の変化をモデル化し、続いてクロスアテンション（cross-attention）で類似する履歴セグメントを参照する。TS-RAG-CMはさらに異なるチャネル間の依存関係をモデル化しており、電力負荷や気象などの多変量データに適している。

検索器には、別途学習された時間畳み込みネットワーク（TCN）を使用し、ベクトル距離に基づいて類似系列を探索する。実験では入力を96時点に固定し、将来の96、192、336、720時点をそれぞれ予測した。対象データセットはECL、ETTh1、ETTh2、ETTm1、ETTm2、Weatherである。4つの予測期間で平均すると、TS-RAG-CMのMSE／MAEは0.310／0.348だった。チャネル間依存関係をモデル化しないバージョンは0.317／0.353、掲載されたTimeXerベースラインは0.312／0.349だった。

アブレーション実験では、TS-RAG-CMは履歴系列を直接連結する方式と比較して、4つの予測期間におけるMSEを14.2%〜18.2%低減した。ただし、検索件数は多ければよいわけではない。top-1が最良の性能を示し、2件または4件の参照を追加すると通常は誤差が増加した。これは、類似セグメントであっても競合するパターンを持ち込む可能性があることを示している。TCNによる検索時間は0.004秒と報告され、動的時間伸縮法（Dynamic Time Warping、DTW）の14.27秒を大幅に下回ったが、ユークリッド距離の0.002秒よりはわずかに遅かった。

これらの結果は、RAGの価値が単にコンテキストを拡大することではなく、「どのように融合するか」にある可能性を示している。ただし、論文では公開コード、インデックス構築コスト、デプロイ時のエンドツーエンドレイテンシが提示されていない。また、すべての結果は6つの一般的なデータセットのみから得られている。Time-Series-Libraryのメンテナーは2026年、ライブラリに含まれる古いベンチマークの多くが、研究の進展を測るうえで十分な識別力をすでに失っている可能性があると注意を促した。エンジニアリングチームは次の段階として、スライディングウィンドウによるデータリーク、分布シフト下での誤検索、検索に失敗した際に元の予測器へ安全にフォールバックできるかを重点的に検証すべきだ。