arXiv cs.AI· Junhyeok Kang, Sangjun Han, Jun Seo, Seunghan Lee, Jaehoon Lee, Dongwan Kang, Minjae Kim, Sungdong Yoo, Tae Yoon Lim, Hwanil Choi, Soonyoung Lee, Wonbin Ahn·· 1 天前AI 评分35
QUAL：分位数对齐提升零样本时间序列基础模型表现
QUAL: Quantile Alignment Improves Zero-Shot Time-Series Foundation Models
AI 导读
研究人员提出无标签框架 QUAL，通过将模型池作为概率参考进行分位数对齐，无需训练或修改模型即可提升并融合零样本时间序列基础模型。QUAL 经由 Huber 聚合与重排生成稳健组合预测，在候选池混入弱预测器时依然保持稳健。在 GIFT-Eval 上，分位数对齐将成员平均 MASE 和 CRPS 分别降低 7.4% 与 9.8%，代码已开源。
来源：arXiv cs.AI · arxiv.org