QUAL：免训练分位数对齐提升零样本时序预测

研究者提出免标签框架“分位数对齐”（QUAL），用于改进和组合零样本时间序列基础模型（TSFM）的预测。它先对齐各成员模型的预测，再经Huber聚合与重排得到稳健的组合预测，整个过程无需训练，也不改动模型本身。 在GIFT-Eval上，分位数对齐使成员模型的平均MASE和CRPS分别下降7.4%和9.8%。作者称，当质量无法预先核实的弱预测器进入候选池时，完整框架仍保持稳健。代码已公开。 上述改进幅度为论文报告的结果；免训练、免改模型是QUAL流程本身的特点。

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。