研究提出概率TSFM不确定性校准评估框架

Thomas Decker 与 Volker Tresp 提出一套针对概率时间序列基础模型（TSFM）的不确定性校准评估框架，按模型表示预测不确定性的方式建立分类，并把多步预测的校准区分为汇总、逐预测步和更强条件校准三种口径。该研究被 NeurIPS 2026 评估与数据集赛道收录。 研究称，按上述口径评估，主流 TSFM 存在系统性校准偏差，而常用标准指标常会掩盖这些偏差。研究还分析了事后重校准方法：它能改善部分形式的校准，但另一些偏差仍然残留。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。