コンディショナル拡散モデルによる新規製品ライフサイクルの冷開始予報

arXiv:2604.20370v1 Announce Type: new 要旨：新発売製品のライフサイクル軌道の予報は、発売計画、リソース配分、および早期リスク評価において重要である。このタスクは、製品固有の結果履歴が限られたり入手不可能である、あるいは存在しない前発売および発売直後のフェーズにおいて特に困難であり、これを冷開始問題と呼ぶ。これらのフェーズでは、需要パターンが信頼性あるように観測される前に、企業が意思決定を行う必要があるが、初期信号はしばしばスパースでノイズが強く不安定である。我々は、冷開始下での新規製品のライフサイクル軌道の予報のためのコンディショナル生成枠組みである「コンディショナル拡散ライフサイクル予報器（CDLF）」を提案する。CDLF は、以下の 3 つの情報の源泉を組み合わせる：静的記述子、類似製品の参照軌道、および存在する場合に入手される新規に到着する観測値。ここでは、静的記述子とは、カテゴリ、価格ランク、ブランド、組織同定性、規模、アクセス条件などの製品の構造化された前発売特性を指す。この構造により、モデルは関連する製品文脈に基づき予報を条件づけ、再学習なしに適応的に更新できる柔軟なマルチモーダル予報分布を生成することが可能となる。本方法は、反復生成に対して時間区間で均一な分布誤差閾値を備えた一貫性を満たす。インテルのマイクロプロセッサ在庫保持単位（SKU）のライフサイクルおよびプラットフォームを介したオープン大規模言語モデルリポジトリの採用に関する研究において、CDLF は古典的な拡散モデル、ベイズ更新アプローチ、以及其他最前線の機械学習ベースラインに対して、より正確な点予報と高品質な確率予報を達成した。

arXiv:2604.20370v1 Announce Type: new Abstract: Forecasting the life-cycle trajectory of a newly launched product is important for launch planning, resource allocation, and early risk assessment. This task is especially difficult in the pre-launch and early post-launch phases, when product-specific outcome history is limited or unavailable, creating a cold-start problem. In these phases, firms must make decisions before demand patterns become reliably observable, while early signals are often sparse, noisy, and unstable We propose the Conditional Diffusion Life-cycle Forecaster (CDLF), a conditional generative framework for forecasting new-product life-cycle trajectories under cold start. CDLF combines three sources of information: static descriptors, reference trajectories from similar products, and newly arriving observations when available. Here, static descriptors refer to structured pre-launch characteristics of the product, such as category, price tier, brand or organization identity, scale, and access conditions. This structure allows the model to condition forecasts on relevant product context and to update them adaptively over time without retraining, yielding flexible multi-modal predictive distributions under extreme data scarcity. The method satisfies consistency with a horizon-uniform distributional error bound for recursive generation. Across studies on Intel microprocessor stock keeping unit (SKU) life cycles and the platform-mediated adoption of open large language model repositories, CDLF delivers more accurate point forecasts and higher-quality probabilistic forecasts than classical diffusion models, Bayesian updating approaches, and other state-of-the-art machine-learning baselines.