時間分解能のパラドックス：インサンプル適合率の誇張とアウトオブサンプル誤差の増幅

予測AIの研究の世界で、興味深い矛盾が見つかった。細かい時間単位で学習させるほど、精度が逆に落ちるという現象だ。

想像してみてほしい。株価を予測するAIがあるとき、1年単位で学習させるのと、1日単位で学習させるのでは、どちらが正確だろうか。直感的には「データをたくさん使える日単位の方が正確では？」と思いたくなる。実際、それは半分正しい。データ量が多いと、AIの訓練時の精度は確かに上がる。ベンチマークテストで「このAIはよく学べています」という数字が良くなるわけだ。

しかし現実はそう単純ではない。実際に未知のデータに当てはめてみると、日単位の予測は思ったより外れてしまう。なぜか。それは「誤差の積み重ね」という厄介な問題が起きているからだ。

時系列予測（時系列データを使って未来を予測する技術）では、多くのモデルが「直近の予測結果を次の予測に使う」という作業を繰り返す。1日先の天気を予測し、その結果をもとに2日先を予測し、3日先を予測する...という具合だ。粗い単位（年単位）なら、このやり取りは少ないので誤差も小さい。しかし細かい単位（日単位）だと、この繰り返しが365倍に増える。その過程で、最初のわずかな誤差が雪だるま式に膨らんでいく。

今回の研究では、13年分の公共調達データ（政府が何かを買うときの記録）を使って、6種類の時間単位で10個の異なるAIモデルを試した。結果は予想通り、単純な古典的手法は日単位で完全に機能停止する（R二乗値という精度指標が-151にまでなってしまう）。ただし現代的なディープラーニング、特にLSTM（長期短期記憶ネットワークという、時系列に強いニューラルネットワーク）は違う。LSTMは最初は日単位で悪化するものの、さらに細かい頻度まで行くと、むしろ誤差を克服してしまう。

これは「トレードオフ」の典型だ。データを細かく分けると学習に使える情報は増えるが、予測時の誤差伝播リスクも増える。最適なバランスポイントは、データセットの質や、使うAIの種類によって変わってくる。つまり「この粒度なら絶対大丈夫」という答えはなく、実験で見つけるしかないということになる。

実務的には、金融機関や小売企業が需要予測や在庫管理をするとき、この教訓は重要だ。細かい日次予測を求められても、むやみにそれに応じるべきではない。自分たちのデータ量と予測モデルの力を冷徹に評価し、外れ幅とのバランスを取る必要がある。