QUAL：分位数对齐提升零样本时间序列基础模型

QUAL 用分位数对齐免训练提升零样本时间序列预测集成。

资讯摘要

论文提出 QUAL（Quantile alignment），一种无需标签的框架，用于改进并组合多个时间序列基础模型（TSFM）的零样本预测。作者发现模型池不仅可用于最终集成，还可作为概率参考来变换各成员预测；QUAL 先对成员预测做分位数对齐，再用 Huber 聚合与重排得到稳健组合预测，无需训练或修改模型。作者报告在 GIFT-Eval 上，分位数对齐使成员平均 MASE 和 CRPS 分别降低 7.4% 和 9.8%，且候选池混入弱预测器时仍保持稳健。代码已开源。

要点速读

1. 论文提出无需标签的 QUAL 框架，通过模型池作为概率参考对齐各成员预测的分位数。
2. QUAL 采用 Huber 聚合与重排组合预测，无需训练或修改模型。
3. 作者报告在 GIFT-Eval 上成员平均 MASE 与 CRPS 分别下降 7.4% 和 9.8%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。