Beyond Accuracy: Are Time Series Foundation Models Well-Calibrated?
超越准确率：时间序列基础模型是否校准良好？AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确评估时间序列预测模型的校准，以及长期自回归预测中的不确定性表现。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
超越准确率：时间序列基础模型是否校准良好？
- 研究问题
- 时间序列基础模型的预测不确定性是否校准良好，预测头选择与长期自回归预测会怎样影响过度或不足自信？
- 方法与思路
- 作者对五个近期时间序列基础模型和两个基准开展系统评估，考察校准、不同预测头及长期自回归预测中的表现。
- 材料陈述的贡献
- 摘要报告所评基础模型比基准校准更好，且通常没有系统性过度或不足自信；具体模型、指标和数值未说明。
- 阅读关注点
- 应核对校准指标与预测对象、模型和数据集选择、预测头训练方式，以及长期预测中的误差累积和比较不确定性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未提供评测范围与数值，所报优势不能推广至全部模型和预测任务。
原文摘要
The recent development of foundation models for time series data has generated considerable interest in using such models across a variety of applications. Although foundation models achieve state-of-the-art predictive performance, their calibration properties remain relatively underexplored, despite the fact that calibration can be critical for many practical applications. In this paper, we investigate the calibration-related properties of five recent time series foundation models and two competitive baselines. We perform a series of systematic evaluations assessing model calibration (i.e., over- or under-confidence), effects of varying prediction heads, and calibration under long-term autoregressive forecasting. We find that time series foundation models are consistently better calibrated than baseline models and tend not to be either systematically over- or under-confident, in contrast to the overconfidence often seen in other deep learning models.