QUAL: Quantile Alignment Improves Zero-Shot Time-Series Foundation Models

📄 arXiv: 2610.41100v1 📥 PDF

作者: 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

分类: cs.AI

发布日期: 2026-10-30

备注: Accepted at the NeurIPS 2026 Workshop on Foundation Models for Temporal Systems: From Forecasting to World Modeling

🔗 代码/项目: GITHUB

💡 一句话要点

提出QUAL以改善零-shot时间序列基础模型的预测准确性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 零-shot学习 模型集成 分位数对齐 Huber聚合 机器学习 概率参考

📋 核心要点

  1. 核心问题：现有的时间序列基础模型在不同数据集上的预测准确性差异较大，且零-shot部署缺乏目标标签来优化模型选择。
  2. 方法要点：提出QUAL框架，通过对齐分位数来改善和组合多个时间序列模型的预测，避免了模型训练和修改的复杂性。
  3. 实验或效果：在GIFT-Eval数据集上，使用分位数对齐后，平均成员MASE和CRPS分别降低了7.4%和9.8%，显示出显著的性能提升。

📝 摘要（中文）

时间序列基础模型（TSFMs）能够为未见过的序列提供零-shot预测，但其准确性在不同数据集上存在差异。通过组合多个模型可以减少这种变异性，但在零-shot部署中没有目标标签来选择或加权这些模型。研究发现，模型池不仅可以作为最终的集成，还可以作为概率参考来转换每个成员的预测。通过这种池相对参考对分位数进行对齐，可以在整体上改善每个成员的预测。基于此发现，提出了QUAL（分位数对齐），这是一个简单的无标签框架，用于改善和组合多样的TSFMs。QUAL首先生成对齐的成员预测，然后应用Huber聚合和重新排列，以获得稳健的组合预测，而无需训练或修改模型。在GIFT-Eval上，分位数对齐分别减少了平均成员MASE和CRPS的7.4%和9.8%。

🔬 方法详解

问题定义：本论文旨在解决时间序列基础模型在零-shot预测中的准确性不稳定问题。现有方法在不同数据集上表现不一，且缺乏有效的模型选择机制。

核心思路：论文提出的核心思路是通过对齐分位数来改善各个模型的预测结果。通过使用模型池作为概率参考，能够有效地提升每个成员的预测质量。

技术框架：QUAL框架的整体流程包括两个主要阶段：首先生成对齐的成员预测，然后通过Huber聚合和重新排列来得到最终的组合预测。这一过程不需要额外的训练或模型修改。

关键创新：最重要的技术创新在于引入了分位数对齐的概念，使得模型池不仅作为集成工具，还能作为概率参考，从而提升了预测的准确性。与现有方法相比，QUAL在处理弱预测者时表现出更强的鲁棒性。

关键设计：在设计中，采用了Huber聚合方法来处理预测结果，并通过对齐分位数来减少预测的偏差。具体的参数设置和损失函数设计未在摘要中详细说明，需参考完整论文获取更多细节。

📊 实验亮点

在GIFT-Eval数据集上，QUAL框架通过分位数对齐显著降低了平均成员MASE和CRPS，分别减少了7.4%和9.8%。这一结果表明，QUAL在提升时间序列预测准确性方面具有显著的优势，尤其是在面对多样化模型时。

🎯 应用场景

该研究的潜在应用领域包括金融市场预测、气象预报以及其他需要时间序列分析的领域。通过提高零-shot预测的准确性，QUAL框架能够帮助决策者在缺乏历史数据的情况下做出更可靠的预测，具有重要的实际价值和未来影响。

📄 摘要（原文）

Time-series foundation models (TSFMs) provide zero-shot forecasts for unseen series, but their accuracy varies across datasets. Combining several models can reduce this variability, yet zero-shot deployment provides no target labels for selecting or weighting them. We find that a model pool is useful not only as a final ensemble, but also as a probability reference for transforming each member forecast. Aligning quantiles through this pool-relative reference improves every member forecast in aggregate. Motivated by this finding, we propose QUAL (Quantile alignment), a simple label-free framework for improving and combining diverse TSFMs. QUAL first produces aligned member forecasts, then applies Huber aggregation and rearrangement to obtain a robust combined forecast without training or model modification. On GIFT-Eval, quantile alignment reduces average member MASE and CRPS by 7.4% and 9.8%. The full framework remains robust when weak forecasters enter a candidate pool whose quality cannot be verified in advance. Code is available at https://github.com/junhyeokkang/QUAL.