QUAL：无标签分位数对齐提升零样本时序基础模型

研究者提出 QUAL（分位数对齐），一种无需标签的框架：以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 基准上，分位数对齐使成员平均 MASE 和 CRPS 分别降低 7.4% 和 9.8%。作者称，当候选池混入无法预先验证质量的弱预测器时，该方法仍保持稳健。代码已开源。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。