标签
本研究系统评估了TabPFN-TS在区域供热网络零样本概率热负荷预测中的性能，并与Chronos-2等尖端时间序列基础模型和机器学习基线进行了比较。
TinyCast 是一款紧凑的零样本时间序列基础模型，具有计算周期功能，可在 Cortex-M7 等边缘设备上实现高效的概率预测。
本文提出了DiffDiff，一种用于概率时间序列预测的扩散框架，它将可预测性不对称性嵌入到扩散轨迹中，在四个预测跨度的七个基准测试上优于六个扩散基线。
该论文提出了一种可验证的无标签奖励，用于通过强化学习训练校准的概率预测器，避免了因奖励单个结果而导致的校准退化。应用于NFL胜率预测，使用该奖励训练的7B模型达到了与博彩市场相当的校准水平。
本文介绍了解释质量标记（EQMs），这是一组由大语言模型评分的60种推理模式，用于衡量预测锦标赛中自然语言解释的质量。通过分析超过55,000个预测-理由配对，EQMs在预测层面和预测者层面都预测了准确性，优于之前的方法。
Otter Weather 是一种计算高效的中期天气预报AI模型，其性能优于数值天气预报基线和前沿AI模型，同时显著减少训练计算量，旨在普及高性能天气预报。
本文提出了面向时间序列基础模型的状态分层评估方法，揭示出聚合指标会掩盖交通状态转换期间的严重失败，并提出了双峰混合增强方法，在保持整体准确性的同时改善覆盖范围。
SAGA引入了一种仅解码器变压器，用于终身收入的多步概率预测，并配合自适应共形预测提供可靠的预测区间。基于大型瑞典注册数据集训练，相较于传统参数模型和基线模型取得了显著改进。