SGA：面向时间序列基础模型多步预测的不确定性量化方法
该论文针对时间序列基础模型（TSFM）在长周期多步预测中面临的固有不确定性问题展开研究。现有模型在各时间步衍生出的预测分支会向后续步骤扩散，导致预测表现不一并削弱了结果的可信度。为此，作者提出了切片-图化-对齐（SGA）方法来对该不确定性进行量化。因原始摘要结尾截断，关于 SGA 方法的具体机制与实验效果等信息不足。
推荐理由针对时间序列基础模型在长周期预测中不确定性扩散的技术痛点，提出了一种专门的量化方法。
原标题：SGA: Uncertainty Quantification for Multi-Step Forecasting in Time Series Foundation Models
阅读 arXiv 机器学习 原文 ↗