Adaptive Multi-Scale Forecasting and Gate-Localized Conformal Prediction for Multivariate Nonstationary Time Series
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对多元非平稳时间序列预测与不确定性量化问题，提出ABF-T-GLCP框架，通过学习自适应预测状态表示，结合预测与共形校准模块，实验表明该框架能提升预测准确性、缩小区间，且应用范围广。
2026-07-28 cs.LG stat.AP stat.ME
TEMPER: Temporal Encoder-Masked Probabilistic Ensemble Regressor for Time-Series Forecasting
TEMPER是一种结合时间自动编码器、可微掩蔽神经决策森林和CRPS训练的单变量时间序列概率预测算法，在合成序列上表现出良好的校准和长水平预测性能。
2026-09-22 cs.LG stat.ML
Forecast Collapse in Time-Series Foundation Models
Abel AI Lab（阿贝尔人工智能实验室）；Arizona State University（亚利桑那州立大学）；University of Oxford（牛津大学）
针对1000只美股每小时收益预测出现的预测崩溃现象，本文分析其成因，提出CalibRank目标函数平衡校准与排名，在Finance1K上提升了截面相关性。
2026-08-17 cs.AI cs.CE cs.LG
A Confidence Interval for the $\ell_2$ Expected Calibration Error
University of Pennsylvania（宾夕法尼亚大学）
研究针对$\ell_2$期望校准误差开发置信区间，考虑top-1到-k校准，证明ECE去偏估计量的渐近正态性，构建渐近有效置信区间，实验表明该方法产生的置信区间比基于重采样的方法更短。
2026-07-23 cs.LG stat.ML
Recipes for Calibration Checks in Safety-Critical Applications
Stanford University（斯坦福大学）
本文提出了一种校准检查框架，用于验证预测系统分布特性，通过模块化流程支持多种应用场景，展示了在天气预测和机器人姿态估计中的应用。
2026-04-29 cs.LG stat.ME
Calibration window selection based on change-point detection for forecasting electricity prices
我们采用最近提出的变点检测算法，窄过阈值（NOT）的方法，选择子周期的过去的观察，是类似于当前记录的值。然后，与传统的时间序列方法，其中最近的$τ$观测值作为校准样本，我们估计自回归模型只在这些子周期的数据。我们使用一个具有挑战性的数据集-德国EPEX SPOT市场的日前电价-来说明我们的方法，并观察到与常用方法（包括自回归混合最近邻（ARHNN）方法）相比，预测精度有了显着提高。
2022-04-02 cs.CE q-fin.ST stat.AP
Evidential Calibration of Confidence Intervals
提出将基于错误率的置信区间校准为基于证据的支持区间的方法，通过反转 Bayes factors 并灵活设定先验分布，实现直观且信息丰富的统计推断。
2023-06-27 stat.ME
Baguan-TS: A Sequence-Native In-Context Learning Model for Time Series Forecasting with Covariates
DAMO Academy, Alibaba Group, Hangzhou, China（阿里达摩院，阿里巴巴集团，杭州，中国）
Baguan-TS通过整合原始序列表示学习与上下文学习，解决了时间序列预测中上下文学习与端到端序列模型的适应性问题，提升了模型的准确性和鲁棒性。
2026-03-18 cs.AI cs.LG
Self-Adaptive Scale Handling for Forecasting Time Series with Scale Heterogeneity
College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院）；Ant Group（蚂蚁集团）
提出自适应尺度处理模块，通过学习自适应尺度因子保留语义区分性并减少逆缩放误差，在基金销售数据集上提升主流预测模型性能。
2026-06-19 cs.LG
DualEval: Joint Model-Item Calibration for Unified LLM Evaluation
University of California, Berkeley（加州大学伯克利分校）；Arena；University of California, Los Angeles（加州大学洛杉矶分校）
提出DualEval框架，通过联合模型-项目校准统一静态基准和竞技场式评估，生成可靠模型排名并支持基准压缩和异常检测。
2026-06-26 cs.CL cs.LG
A new distribution function with bounded support: the reflected Generalized Topp-Leone Power Series distribution
在本文中，我们引入了一个新的灵活的有界支持的分布，称为反射广义Topp-Leone幂级数（rGTL-PS），通过复合反射广义Topp-Leone（van Drop和Kotz，2006）和幂级数分布族而获得。建议的类包括，作为特殊情况下，一些新的分布，如有限的支持，rGTL-对数，rGTL-几何，rGTL-泊松和rGTL-二项式。这项工作是一种尝试，以部分填补空白的存在，在文献中，连续分布与有界支持，而不是出现在许多实际情况下是非常有用的，包括可靠性。研究了该类的矩、风险率和分位数等性质。此外，参数的极大似然估计进行了检查和观察费舍尔信息矩阵提供。最后，为了显示新的类的有用性，一些应用程序的实际数据的报告。
2015-04-01 stat.ME
Rolling-Origin Conformal Prediction under Local Stationarity and Weak Dependence
AGH University of Cracow（克拉科夫AGH科技大学）
本文提出并分析了基于滚动原点的符合预测方法，用于时间序列预测。通过适应序列依赖性、波动聚集和分布漂移，该方法在局部平稳性和α-混合条件下，推导出最优校准窗口和覆盖误差率，证明了其理论最优性。
2026-05-08 econ.EM stat.CO stat.ME
Real-time Calibration Model for Low-cost Sensor in Fine-grained Time series
University of Maryland（马里兰大学）
针对低成本传感器校准问题，本文提出TESLA模型，利用Transformer和对数分箱注意力在硬件受限条件下实现细粒度时间序列的高精度、低能耗实时校准。
2024-12-28 cs.AI cs.LG eess.SP
Beyond Accuracy: Are Time Series Foundation Models Well-Calibrated?
Department of Computer Science（计算机科学系）；Department of Statistics（统计学系）；Google, Irvine（谷歌（伊文斯堡））
本文系统评估了五个时间序列基础模型和两个基线的校准特性，发现基础模型校准优于基线且无系统性过度自信或信心不足。
2026-05-27 cs.AI cs.LG stat.ME
Sig-Splines: universal approximation and convex calibration of time series generative models
University of Kaiserlautern（凯泽斯劳滕大学）；Imperial College London（伦敦帝国理工学院）
本研究提出名为Sig-Splines的多变量离散时间序列生成模型，以线性变换和签名变换替代传统神经网络，兼具通用逼近能力与参数凸性优势。
2023-07-19 cs.AI cs.LG q-fin.CP
Rethinking Time Series Domain Generalization via Structure-Stratified Calibration
Guangzhou Institute of Technology, Xidian University, Xi’an, China（广州科技学院，西安电子科技大学）
本文提出结构分层校准框架，通过区分结构一致样本并进行幅度校准，有效缓解时间序列跨领域泛化中的结构不兼容问题。
2026-03-03 cs.LG
KDCTime: Knowledge Distillation with Calibration on InceptionTime for Time-series Classification
Jinan University（暨南大学）；University of Macau（澳门大学）；Beijing Institute of Technology（北京理工大学）
基于深度神经网络的时间序列分类方法在UCR数据集上容易过拟合，这是由这些数据集的Few-Shot问题引起的。因此，为了减轻过拟合现象以进一步提高准确性，我们首先提出了InceptionTime（LSTime）的标签平滑，与硬标签相比，它采用了软标签的信息。接下来，而不是手动调整软标签的LSTime，知识蒸馏的InceptionTime（KDTime），提出了自动生成软标签的教师模型。最后，为了纠正教师模型中错误预测的软标签，提出了基于初始时间校正的知识蒸馏（KDCTime），其中包含两种可选的校正策略，即基于翻译的知识蒸馏（KDCT）和基于重排序的知识蒸馏（KDCR）。实验结果表明，KDCTime的准确性是有前途的，而其推理时间是两个数量级的速度比ROCKET在一个可接受的训练时间开销。
2021-12-04 cs.LG
Learning who is in the market from time series: market participant discovery through adversarial calibration of multi-agent simulators
JP Morgan（摩根大通）；JP Morgan AI Research（摩根大通人工智能研究院）
在电子交易市场中，通常只有价格或交易量的时间序列，这是由多个市场参与者的相互作用产生的，是直接可观察的。为了在将交易策略部署到实时交易之前对其进行测试，经常使用校准的多代理市场环境，以便模拟代理相互作用产生的时间序列类似于历史。为了确保充分的测试，必须在各种市场情景中测试交易策略-其中包括代表普通市场日以及压力市场的情景（最近由于COVID大流行的开始而观察到）。在本文中，我们解决的问题，多代理模拟器参数校准，让模拟器捕捉不同的市场制度的特点。我们提出了一种新的两步方法训练一个能够区分“真实”和“虚假”的价格和数量的时间序列作为GAN的一部分，自我关注，然后利用它的优化框架内调整参数的模拟器模型与已知的代理原型，以代表市场的情况。我们的结论与实验结果表明，我们的方法的有效性。
2021-08-02 cs.LG cs.MA q-fin.TR
Beyond Output-Space Calibration: Spectral Evidence Bundling for Selective Reliability Estimation in Time-Series Classification
Macquarie University（麦考瑞大学）
研究针对时间序列分类可靠性问题，提出验证门控固定标签可靠性策略，结合输出端线索与频谱描述符形成可靠性估计，经实验在多个数据集和骨干家族上提升了选择性可靠性指标，验证门控进一步优化了结果。
2026-07-22 cs.AI cs.LG
In-Context Residual Calibration for Uncertainty Quantification of Energy Time Series over Graphs
提出STOIC框架，结合图神经网络与表格基础模型，通过零样本校准实现图结构能源时间序列的共形预测，提供可靠的不确定性估计。
2026-10-08 cs.LG stat.ML
Efficient Calibration of Multi-Agent Simulation Models from Output Series with Bayesian Optimization
Columbia University（哥伦比亚大学）；J.P.Morgan AI Research（摩根大通人工智能研究院）
多智能体模拟通常用于多个学科，特别是近年来在人工智能中，它为下游机器学习或强化学习任务创造了环境。然而，在许多实际场景中，只有仿真代理的交互产生的输出序列是可观察的。因此，需要校准模拟器，使模拟输出序列与历史相似-这相当于解决复杂的模拟优化问题。在本文中，我们提出了一个简单而有效的框架来校准模拟器参数的历史输出序列观测。首先，我们考虑了一个新的概念的资格集绕过潜在的不可识别性问题。其次，我们推广了带Bonferroni校正的两样本Kolmogorov-Smirnov（K-S）检验来检验两个高维分布之间的相似性，这给出了一个简单而有效的输出序列样本集之间的距离度量。第三，我们建议使用贝叶斯优化（BO）和信任区域BO（TuRBO）来最小化上述距离度量。最后，我们证明了我们的框架的效率，使用数值实验上的多智能体金融市场模拟器。
2022-09-21 cs.AI cs.CE cs.LG
SupportCal: Label-Free Calibration of Post-Trained LLMs via Reference Support and Corroboration
The University of Sydney（悉尼大学）；University of Cambridge（剑桥大学）；The University of Adelaide（阿德莱德大学）
针对训练后模型过度自信问题，提出无标签校准方法SupportCal，利用预训练参考模型的支持与佐证对不一致样本加权，在多个基准上降低期望校准误差。
2026-10-06 cs.CL cs.LG
Calibration of Time-Series Forecasting: Detecting and Adapting Context-Driven Distribution Shift
Zhejiang University（浙江大学）；State Street Technology (Zhejiang) Ltd.（道富科技（浙江）有限公司）；Salesforce Research Asia（Salesforce 亚洲研究院）
本文针对时间序列预测中由时间上下文驱动的分布偏移问题，提出通用的 Reconditionor 检测器和 SOLID 适配器框架，通过残差-上下文互信息检测偏移并进行样本级微调校准，在真实数据集上持续提升多种预测模型性能。
2024-06-11 cs.AI cs.LG
Evaluating Accuracy and Probabilistic Reliability of Zero-Shot Time Series Foundation Models
University of Nicosia（尼科西亚大学）；University of Cyprus（塞浦路斯大学）
本文基准评估六种零样本时间序列基础模型，发现其优于统计与监督方法，但存在点准确性与概率校准的权衡，xLSTM校准稳健，补丁Transformer长程校准欠佳。
2026-09-23 cs.AI cs.LG
Dynamic Regime-Aware Conformal Calibration for Reliable Economic Forecast Intervals under Multiple Distribution Shifts
University of Bucharest（布加勒斯特大学）；National Institute of Research and Development for Biological Sciences（国家生物科学研究与发展研究所）
该研究针对经济预测的分布偏移问题，提出动态机制感知共形预测（DRACP），经验证其校准可靠性最优，在通胀激增等场景表现突出，为预测区间的校准与效率提供了权衡方案。
2026-10-20 cs.LG
FAQ: Mitigating Quantization Error via Regenerating Calibration Data with Family-Aware Quantization
Alibaba Cloud Computing（阿里云计算）
FAQ通过家庭感知量化方法生成高保真校准数据，有效减少量化误差，实验表明其在多个模型系列中将准确性损失降低28.5%。
2026-01-16 cs.AI cs.LG
Interlaced R2D2 DNN Series for Scalable Non-Cartesian MRI with Sensitivity Self-calibration
Institute of Sensors, Signals and Systems, Heriot-Watt University Edinburgh, United Kingdom（传感器、信号与系统研究所，赫里奥特-沃斯大学爱丁堡分校，英国）；Department of Diagnostic Imaging and Interventional Radiology, Lausanne University and Hospital, Switzerland（诊断影像与介入放射学系，洛桑大学及医院，瑞士）
本文提出iR2D2，一种用于加速非笛卡尔k空间MRI图像重建的DNN系列框架，通过自校准敏感性图提升重建性能。
2026-05-02 cs.CV cs.LG eess.IV
Obtaining Accurate Probabilistic Causal Inference by Post-Processing Calibration
University of Pittsburgh（匹兹堡大学）；Harvard University（哈佛大学）
从观测数据中发现准确的因果贝叶斯网络结构在许多科学领域都很有用。发现往往是在不确定的情况下做出的，这种不确定性可以用概率来表示。为了指导这些发现的使用，包括指导进一步的调查，必须对这些概率进行良好的校准。在本文中，我们引入了一个新的框架，从观测数据中获得校准的因果关系的概率。该框架由三个部分组成：（1）用于为每对变量生成边缘类型的初始概率估计的近似方法，（2）在真实状态已知的网络中相对少量的因果关系的可用性，我们称之为校准训练集，以及（3）校准方法，用于使用近似概率估计和校准训练集来为许多剩余的变量对生成校准概率。我们还介绍了一种新的校准方法的基础上浅神经网络。我们的模拟数据的实验支持，所提出的方法提高了因果边缘预测的校准。结果还支持该方法通常提高预测的精确度和召回率。
2017-12-22 cs.AI cs.LG stat.ML
MRMS-Net and LMRMS-Net: Scalable Multi-Representation Multi-Scale Networks for Time Series Classification
Computer Engineering（计算机工程）
本文提出MRMS-Net和LRM-SNet，通过整合多表示输入提升时间序列分类性能，验证了多表示多尺度建模在准确率、校准和效率上的优势。
2026-03-25 cs.LG
Damage Predicts Recovery: When Calibration Data Matters in Compressing Financial LLMs
Montclair State University（蒙特克莱尔州立大学）；New Jersey Institute of Technology（新泽西理工学院）
本研究提出压缩损伤决定校准数据需求，量化影响小，剪枝损伤大时用金融任务示例校准可恢复性能，建议先测损伤再定数据。
2026-09-23 cs.CL cs.LG
Minimizing inter-subject variability in fNIRS based Brain Computer Interfaces via multiple-kernel support vector learning
在不同的会话期间从不同受试者获得的测量结果中的脑信号变化显著地恶化了大多数脑-机接口（BCI）系统的准确性。此外，这些可变性（也称为受试者间或会话间可变性）在可以使用BCI系统之前需要长时间的校准会话。此外，由于会话间的可变性，在使用BCI之前，必须独立地针对每个受试者重复校准会话。在这项研究中，我们提出了一种算法，以尽量减少上述的可变性，并克服耗时，通常容易出错的校准时间。我们的算法是基于线性规划支持向量机和他们的扩展到一个多核学习框架。我们解决了分类器的特征空间中的主题间或会话间的变化。这是通过将每个主题或会话特定的特征空间合并到具有一组最佳决策边界的更丰富的特征空间中来完成的。每个决策边界表示神经信号的受试者或会话特定的时空可变性。因此，即使没有校准步骤，具有多个特征空间的单个分类器也将很好地推广到新的看不见的测试模式。我们证明，即使在存在很大程度的BCI变异性的情况下，分类器也能保持良好的性能。本研究分析了BCI变异相关的氧血红蛋白神经信号测量使用功能近红外光谱。
2013-05-08 cs.LG stat.ML
TimeBlocks: Foundational and Continual Time-Series Blockbase -- Extended Version
Aalborg University, Denmark（奥尔堡大学，丹麦）；University of Amsterdam Netherlands（阿姆斯特丹大学，荷兰）；East China Normal University China（华东师范大学，中国）；Aalborg University Denmark（奥尔堡大学，丹麦）；Hong Kong University of Science（香港科学大学）
提出TimeBlocks方法，通过可互换的模块化模型块和路由策略，构建轻量级、多任务的时间序列模型，并引入StreamCore实现持续校准，在多个数据集上优于现有基线。
2026-06-01 cs.DB cs.LG
Longitudinal Support Vector Machines for High Dimensional Time Series
Uppsala University（乌普萨拉大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）
我们考虑从观察到的功能数据学习分类器的问题。在这里，每个数据点采用单个时间序列的形式，并包含许多特征。假设每个这样的系列带有一个二进制标签，学习预测一个新的未来的时间序列的标签的问题被认为是。在此基础上，将经典支持向量机中的{ \em margin}概念推广到连续数据情形。纵向支持向量机也是一个凸优化问题，并推导了其对偶形式。特定情况下的显着性检验的实证结果表明，这种创新的算法分析这种长期的多变量数据的有效性。
2020-02-22 cs.LG stat.ML
Towards Principled Test-Time Adaptation for Time Series Forecasting
Stony Brook University（石溪大学）
本文提出了一种基于频率域的轻量级校准方法FAC，用于改进时间序列预测在分布偏移下的适应性，通过频率域分析现有适配器的预测修正，并在多种数据集和预测时间上实现了更高效和一致的性能。
2026-05-17 cs.LG
Physical-Support Confidence Sets for Highly Coherent Dictionaries
National Chung Hsing University（中兴大学）；Institute of Data Science and Information Computing（数据科学与信息计算研究院）
针对高相干字典的物理意义不确定性，提出感知分辨率的物理支撑推理方法，引入自适应有限组的AEB算法，实验显示其能避免无支撑细化且评估候选更少。
2026-08-21 cs.LG eess.SP math.ST
Simulations evaluating resampling methods for causal discovery: ensemble performance and calibration
University of Minnesota（明尼苏达大学）；University of Michigan（密歇根大学）
当一个系统可以被观察到，但在实践中无法进行实验时，因果发现可以成为研究因果关系的有力工具。尽管如此，它很少用于任何科学或医学领域。阻碍因果发现领域产生更大影响的主要障碍之一是，很难确定因果发现方法的输出在现实世界中何时可以信任。当人类健康受到威胁时，信任尤其重要。在本文中，我们报告了一系列的模拟研究的结果，调查不同的resterning方法的性能作为发现的图形功能的信心指标。我们发现，子采样和放回抽样都表现得令人惊讶的好，这表明他们可以作为信任的图形功能的理由。我们还发现，子采样和放回抽样的校准有不同的收敛特性，这表明一个人的选择使用应取决于样本量。
2019-10-04 cs.LG stat.ML
Dynamical Label Augmentation and Calibration for Noisy Electronic Health Records
School of Computing and Information Systems, University of Melbourne（计算机与信息系统学院，墨尔本大学）
本文提出ACTLL框架，通过双分量Beta混合模型区分确定与不确定实例，并动态校准或增强标签，在噪声EHR时间序列上取得最优预测性能。
2025-06-03 cs.AI cs.LG
Calibration in One Go: Jointly Learning Accurate and Calibrated Neural Networks
Saarland University（萨尔大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
本文提出通过双层Stackelberg公式将标准校准器与神经网络骨干端到端联合训练，以实现准确且校准良好的模型，该方法复杂度低、性能优于SOTA校准器，可避免单独校准组件的开销。
2026-10-12 cs.AI cs.LG stat.ML
Federated Calibration and Evaluation of Binary Classifiers
Meta AI
我们解决了两个主要的障碍，实际使用的监督分类分布式私人数据。无论分类器是由合作客户端的联合训练还是集中训练，（1）输出分数必须校准，（2）性能指标必须评估-所有这些都没有在一个地方组装标签。特别是，我们展示了如何在三种隐私模型下在联邦设置中执行校准和计算精度，召回率，准确率和ROC-AUC（i）安全聚合，（ii）分布式差分隐私，（iii）本地差分隐私。我们的定理和实验澄清了隐私，准确性和数据效率之间的权衡。它们还有助于确定给定应用程序是否有足够的数据来支持联合校准和评估。
2022-10-22 cs.CR cs.LG
When and How Mixup Improves Calibration
Rutgers University（罗格斯大学）；Harvard University（哈佛大学）；National University of Singapore（新加坡国立大学）；Stanford University（斯坦福大学）
在许多机器学习应用中，模型提供准确捕获其预测不确定性的置信度分数是重要的。虽然现代学习方法在预测准确性方面取得了巨大成功，但生成校准的置信度分数仍然是一个重大挑战。Mixup是一种流行而简单的数据增强技术，它基于对训练样本进行凸组合，已被经验性地发现可以显着提高跨不同应用的置信度校准。然而，Mixup何时以及如何帮助校准仍然是一个谜。在本文中，我们从理论上证明了Mixup提高校准\textit{high-dimensional}设置通过调查自然的统计模型。有趣的是，Mixup的校准优势随着模型容量的增加而增加。我们支持我们的理论与常见的架构和数据集上的实验。此外，我们研究了Mixup如何在半监督学习中改进校准。虽然合并未标记的数据有时会使模型校准得更少，但添加Mixup训练可以缓解这个问题，并可证明可以改善校准。我们的分析为理解混淆和校准提供了新的见解和框架。
2022-07-10 cs.LG
HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms
Nference Inc.（Nference公司）；Mayo Clinic（梅奥诊所）；Anumana Inc.（Anumana公司）
针对不平衡医疗时间序列的连续值回归预测不准且缺乏确定性的问题，提出HypUC框架，结合核密度技术、概率回归、不确定性校准及校正预测，在大型真实世界ECG数据集上优于基线，提升了临床部署可靠性。
2023-11-23 cs.AI cs.CE cs.LG
