arXiv 人工智能· 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·· 5 小时前AI 评分34
QUAL：利用分位数对齐提升零样本时间序列基座模型性能
QUAL: Quantile Alignment Improves Zero-Shot Time-Series Foundation Models
AI 导读
研究者提出无标签框架 QUAL，通过以模型池为概率参考对齐分位数，无需训练即可提升并融合多个零样本时间序列基座模型。在 GIFT-Eval 评测基准上，分位数对齐使成员平均 MASE 和 CRPS 分别降低 7.4% 与 9.8%。该框架结合 Huber 聚合与重排，在候选池混入弱预测模型时依然保持稳健，相关代码已开源。
来源：arXiv 人工智能 · arxiv.org