TSFMs不确定性校准评估框架研究

2026年11月3日，arXiv发布了一项关于概率时间序列基础模型（TSFMs）的研究。该研究由Thomas Decker和Volker Tresp提出，揭示了当前流行的TSFMs存在系统性校准偏差，且标准指标往往掩盖了这些问题。 研究团队引入了一种对TSFMs表示预测不确定性的分类法，并开发了一个细粒度的评估框架。该框架专门用于多步长预测中的校准评估，明确区分了池化（pooled）、分步长（horizon-wise）以及更强的条件（conditional）校准概念。 此外，该研究还分析了事后重校准方法的有效性与局限性。这些结果为评估和改进TSFMs的不确定性提供了实用指导，并指出了当前实践中的重要局限。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。