自律的なエージェントが現実世界で成功裏に動作するためには、将来の出来事や環境状態を予測する能力が重要な競争力となります。この問題は、一連の観測値を使用して未来のシーケンスを予測するシーケンス外挿問題として形式化されています。現実世界のシナリオでは、このような予測の不確実性モデルが必要とされます。特に長期的な時間軸では、予測の不確実性が増大します。点推定においては印象的な結果が示されていますが、将来のシーケンスに対する多峰分布を誘発するシナリオは依然として困難です。当研究では、これらの課題に対処するためにガウス潜在変数モデルを用いたシーケンス予測について考察します。我々の主要な貢献は、「Many 中の Best」サンプル目的関数であり、これによりより正確かつ多様な予測が可能となり、現実世界のシーケンスデータにおける真の変動をよりよく捉えることができます。改善されたモデル適合性に関する分析だけでなく、我々のモデルは交通シーンから気象データまで異なる3つのタスクにおいても従来の研究を経験的に上回っています。