分位数引导扩散预测，8个基准CRPS持续提升！
Quantile-Guided Diffusion for Probabilistic Time-Series Forecasting
📖 AI 总结
该研究探讨如何将预测分位数作为扩散式时间序列预测模型的分布控制信号。作者系统考察了分位数整合机制对引导预训练扩散预测器效果的影响，发现在整个去噪网络中施加残差控制能带来最稳定的性能提升，并据此提出Control-TS方法：在冻结预训练主干的前提下学习一条分位数控制通路。在八个基准数据集上，Control-TS持续改善主干的CRPS指标，与当前最先进预测模型相比具有竞争力，且在容量匹配的对比中仍保持优势。研究进一步分析了增益与分位数粒度、预测器选择及预测质量之间的关系，并提出条件线性预测得分（CLPS），用于从下游预测效用角度补充评估生成轨迹。这些结果支持将预测分位数作为连接显式不确定性估计与扩散轨迹生成的有效接口。
🔑 关键词速览
| 分位数预测 | 一种概率预测方法，通过预测未来时间步的多个分位数来概括不确定性。 |
| 扩散预测器 | 基于扩散模型的预测方法，通过逐步去噪生成未来轨迹来表示不确定性。 |
| Control-TS | 本文提出的方法，学习一个分位数控制路径来引导预训练的扩散预测器，同时保持主干网络冻结。 |
| CRPS | 连续分级概率评分，一种评估概率预测准确性的常用指标，值越低表示预测越好。 |
| 条件线性预测得分（CLPS） | 本文引入的新指标，通过评估生成未来的下游预测效用来补充分布度量。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅