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29
QUAL：分位数对齐提升零样本时间序列基础模型
QUAL: Quantile Alignment Improves Zero-Shot Time-Series Foundation Models
AI 导读
研究者提出 QUAL（Quantile alignment），一种无需标签的框架，通过模型池作为概率参考对成员预测做分位数对齐，再经 Huber 聚合与重排得到稳健组合预测，无需训练或修改模型。在 GIFT-Eval 上，分位数对齐使成员平均 MASE 和 CRPS 分别降低 7.4% 和 9.8%，且在候选池混入无法预先验证质量的弱预测器时仍保持稳健。代码已开源。
正文 · AI 翻译
作者：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
摘要：时间序列基础模型（TSFM）可为未见过的序列提供零样本预测，但其准确率在不同数据集上存在差异。组合多个模型可以降低这种波动性，但零样本部署不提供目标标签，无法据此选择或加权模型。我们发现，模型池不仅可作为最终集成使用，还可作为概率参考，用于变换每个成员的预测。通过这种池相对参考对分位数进行对齐，可在总体上改善每个成员的预测。受此发现启发，我们提出 QUAL（分位数对齐），一个简单的无标签框架，用于改进并组合多样化的 TSFM。QUAL 首先生成对齐后的成员预测，然后应用 Huber 聚合与重排，在无需训练或修改模型的情况下获得稳健的组合预测。在 GIFT-Eval 上，分位数对齐使成员平均 MASE 和 CRPS 分别降低 7.4% 和 9.8%。当弱预测器进入无法预先验证质量的候选池时，完整框架仍保持稳健。代码见 此 https URL。
| 评论： | 已被 NeurIPS 2026 研讨会“时间系统基础模型：从预测到世界建模”接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41100 [cs.AI] |
| （或 arXiv:2610.41100v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41100 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Junhyeok Kang [查看邮箱]
[v1]
2026年10月30日星期五 00:41:39 UTC（214 KB）
来源：arXiv cs.AI · arxiv.org