技術要約：分散安定性を実現するコンテクスト的デコンボリューション（Contextual Deconvolution）

問題提起

プロモーションが行われる小売環境において、勾配ブースティング決定木やテンポラル・トランスフォーマーなどの標準的な機械学習（ML）予測モデルは、点推定の統計的精度（例：RMSE）の最適化には長けているものの、オペレーショナルな変動性（volatility）を考慮できていない。これらのモデルは、一時的な需要ショック（例：プロモーション、SNAPイベント）と構造的な需要の変化を混同してしまう。その結果、平滑化されていない予測値が上流へと伝播し、安全在庫要件を膨張させ、ブルウィップ効果を増幅させる。

核心となる課題は、古典的な自己回帰モデルには、遅延した外生的な影響をその発生源へとマッピングするための構造的な制約が欠如していることである。これらのモデルは、数日間にわたるプロモーションのフットプリントを、構造的な崩壊または瞬間的な異常値として扱ってしまう。その結果、運用上の不安定性を招く。在庫を意識した学習手法も存在するが、それらは多くの場合、意思決定レイヤーを直接ターゲットとしている。本論文は、下流の在庫最適化エンジンに対して安定した入力を提供することを目的に、**分解レイヤー（decomposition layer）**に対処するものである。すなわち、潜在的な構造的ベースラインと一時的なショックを分離することを目指す。

手法：コンテクスト的デコンボリューション（CD）

著者らは、需要センシングを、観測された需要信号から潜在的な構造成分と一時的成分を復元する逆問題として再定義している。提案されるフレームワークであるコンテクスト的デコンボリューション（CD）は、分散ラグ回帰と凸関数による平滑性＋スパース性分解を組み合わせた2段階のエスティメータを利用する。

1. 逆問題の定式化

観測された需要信号 $b$ は、滑らかな構造的ベースライン（$x_{base}$）と、フォワードオペレータによってマッピングされたスパースな一時的信号（$x_{spec}$）の重ね合わせとしてモデル化される：
$$b = A_{base}x_{base} + A_{spec}(\theta)x_{spec} + \epsilon$$
ここで、$A_{base} = I$（単位行列）であり、$A_{spec}(\theta)$ はカーネル・ハイパーパラメータ $\theta$ によってパラメータ化された**コンテクスト変調型帯域演算子（context-modulated banded operator）**である。この復元は、忠実度、平滑性（導関数に対する $\ell_2$ ペナルティ）、およびスパース性（ショックに対する $\ell_1$ ペナルティ）を最小化する凸最適化問題として定式化される：
$$\min_{x_{base}, x_{spec}} \|b - (x_{base} + A_{spec}x_{spec})\|_2^2 + \lambda_{smooth}\|Lx_{base}\|_2^2 + \lambda_{sparse}\|x_{spec}\|_1$$

2. カーネル変調型演算子

古典的な分解手法は、ショックを瞬間的なもの（$A=I$）と仮定するが、CDはプロモーションのキャリーオーバー（持ち越し効果）をエンコードするために、カーネル変調型演算子を採用する。

• パラメトリック・ファミリー： データ駆動型のKoopman演算子（EDMD）に見られる非正規性や一時的な成長の問題を避けるため、CDは解釈可能でコンパクトな**差指数関数（Difference-of-Exponentials: DoE）**カーネルを使用する。このカーネルは、即時的な急増、緩やかなキャリーオーバー、およびオプションとしてのプロモーション後のキャニバリゼーション（真空状態）を捉える。
• ソース変調型伝播： 演算子は下三角の帯行列であり、その副対角成分は外生変数（例：プロモーションの種類）によって変調される。極めて重要な点は、時刻 $t$ におけるラグ $k$ からの寄与が、ソース時刻 $t-k$ における特徴量によって変調されることであり、これによりサプライチェーンのダイナミクスを反映している。
• 帯域幅： カーネルのラグはデータから導出され（デフォルト $n=14$ 日）、ほとんどのカテゴリーにおいてインパルス応答エネルギーの94%以上を捕捉しながら、計算効率を維持している。

3. 2段階推定パイプライン

スケーラビリティと安定性を確保するため、CDはベースライン推定とカーネル復元を分離している。

1. ロバストなトレンド除去： Huber損失関数を用いて、生の信号から極端な観測値を抑制し、ロバストなトレンド $\hat{\mu}$ を抽出する。
2. 分散ラグ回帰： 残差をイベント特徴量とその因果的ラグに対してリッジ回帰を行い、カーネル係数を推定する。パラメトリック・ファミリーの場合、これらは非線形最小二乗法によって適合される。

4. 階層的部分的プーリング（Hierarchical Partial Pooling）

SKUごとのカーネル推定における統計的な脆弱性（エンタープライズ小売におけるイベント履歴の乏しいSKUに共通する問題）に対処するため、CDは階層的部分的プーリングを採用している。カーネルパラメータは、SKUレベル、カテゴリーレベル、およびグローバルレベルで推定される。イベント履歴が乏しいSKUは、カテゴリーやグローバルの中央値から強さを借りる（borrow strength）ことができ、これにより、個別のSKUチューニングなしに数万SKUへの展開が可能となる。

5. 予測アーキテクチャ

最終的な予測は、以下の2つのストリームの重ね合わせとなる：

• ストリームA： 滑らかなベースライン（例：Holt-Winters）の外挿。
• ストリームB： 固定されたカーネルを介した、既知の将来イベントの決定論的な注入。

主な貢献

1. コンテクスト変調型帯域演算子： 古典的な単位行列マッピングの代わりに、物理的に動機付けられた可逆的な演算子を用いることで、プロモーションのキャリーオーバーを凸逆問題の中に直接エンコードする構造化された演算子を導入した。
2. スケーラブルな2段階パイプライン： 分離された推定プロセス（ロバスト・デトレンド ＋ 分散ラグ回帰）により、安定性を確保し、CPUでのカタログ規模の展開を可能にした。
3. 階層的部分的プーリング： SKUごとのカーネルをカテゴリーやグローバルの中央値へと正規化するメカニズムを提供し、イベント履歴が少ないSKUでも本手法を適用可能にした。
4. 誠実なコスト会計： 厳密な在庫コスト分析を行い、CDが総コストを最小化する地点と、安定性のためにコストをトレードオフする地点の間の具体的なクロスオーバーポイントを特定した。
5. 演算子理論的分析： 制約のない学習済み演算子は高度に非正規（non-normal）であることを示し、解釈可能性と運用の安定性のためのコンパクトなパラメトリック・カーネルの使用を正当化した。

実証結果

本フレームワークは、30,490のM5 SKUおよび2,845のFavoritaアイテムに対して、すべてのベースラインに同一の将来プロモーションカレンダーを与えた上で、厳密にアウトオブサンプルで評価された。

• 運用の安定性（分散比：Variance Ratio）： CDは、M5で0.0007、Favoritaで0.0072という中央値の分散比（VR）を達成した。これは、Tuned XGBoost（M5で0.0135、Favoritaで0.0395）や他の構造的・ブースティングベースラインよりも大幅に低い数値である。
• 安全在庫： 同等のサービスレベルにおいて、CDはTuned XGBoostと比較して、M5では0.16倍、Favoritaでは0.38倍に安全在庫を削減した。
• 信頼性と中央値の傾向： 中央値の精度向上は緩やかであるが（M5におけるCDのwMAPEは1.01に対し、XGBoostは1.14）、CDは優れた横断的な信頼性を示す。CDは、SKUごとの誤差の分散（SD 0.23に対し、ベースラインは1.11〜4.51）が最も低く、壊滅的な失敗率（誤差200%超のSKU割合）も最低であった（CDは0.8%に対し、ベースラインは9.9〜20.6%）。
• コスト・ベネフィットのトレードオフ：
  • CDが総在庫コストを下げるのは、保持コストが欠品コストの約20%を超える場合（$h/p \gtrsim 0.20$）のみである。
  • 欠品コストが支配的な領域（一般的な食料品小売など）では、CDの積極的な平滑化はプロモーションのスパイクに対する供給不足を招き、欠品コストを増加させる。
  • したがって、CDは汎用的な期待コスト最小化器ではなく、運用の安定性と在庫資本の管理レイヤーとして位置付けられる。

意義と主張

本論文は、コンテクスト的デコンボリューションが、サプライチェーンにおける統計的・運用的トレードオフに対する構造的な解決策を提供すると主張している。プロモーションのキャリーオーバーをカーネル変調型演算子を通じて構造的ベースラインから明示的に分離することで、GPUリソースを必要とせずに、予測と発注の分散を低減できる。

著者らは、運用の利得（ブルウィップ効果の低減、安全在庫の削減）が、特定のキャリーオーバー・カーネルの形状よりも、主に構造的な分解（滑らかなベースライン ＋ スパースなショック）から得られることを強調している。カーネルは、真のマルチデイ・キャリーオーバーが存在する場合（例：M5のHobbiesカテゴリー）には性能を向上させる適応的な精緻化として機能するが、プロモーションが瞬間的な場合（例：M5のFoods/Household、Favorita）にはインパルスへと収束する。

本研究は、CDを既存の予測パイプラインの代替としてではなく、それらと並行して動作する意思決定支援レイヤーとして位置付けている。これは、既知の将来プロモーション・カレンダーが存在する環境において、予測信号を安定させ、在庫資本を削減したい企業にとって特に価値がある。ただし、それは保持コストの削減が欠品コストの回避よりも優先されるコスト構造においてである。