arXiv · cs.AI · Thomas Decker, Volker Tresp · 11 小时前模型评分43
研究：概率时间序列基础模型的不确定性校准评估
Evaluating Uncertainty Calibration in Probabilistic Time Series Foundation Models
导读
一项被 NeurIPS 2026 评估与数据集赛道收录的研究，对概率时间序列基础模型（TSFM，Time Series Foundation Model）的不确定性校准做了系统评估。研究提出按预测不确定性表示方式分类的框架，区分汇总、逐预测步和更强条件校准三种口径，发现主流模型存在标准指标常掩盖的系统性校准偏差。研究还分析了事后重校准方法能改善哪些校准形式、哪些偏差仍会残留。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We introduce a taxonomy of how TSFMs represent predictive uncertainty and develop a fine-grained evaluation framework for calibration in multi-horizon forecasting that distinguishes pooled, horizon-wise, and stronger conditional notions of calibration.”
来源：arXiv · cs.AI · arxiv.org