روش QUAL پیش‌بینی مدل‌های سری زمانی را بدون دادهٔ برچسب‌دار هم‌تراز می‌کند

مدل‌های پایهٔ سری زمانی (TSFM) می‌توانند بدون آموزش روی داده‌های هدف برای سری‌های دیده‌نشده پیش‌بینی تولید کنند، اما دقت آن‌ها میان مجموعه‌داده‌ها متفاوت است. ترکیب چند مدل ممکن است این نوسان را کاهش دهد، ولی در استقرار بدون دادهٔ برچسب‌دار، راهی برای انتخاب یا وزن‌دهی به مدل‌ها بر اساس عملکردشان وجود ندارد.

پژوهش معرفی‌شده در پیش‌چاپ arXiv، چارچوبی به نام QUAL (Quantile Alignment) پیشنهاد می‌کند. در این روش، مجموعهٔ مدل‌ها فقط برای ساخت پیش‌بینی نهایی به کار نمی‌رود؛ توزیع پیش‌بینی‌های آن‌ها مرجعی احتمالاتی می‌شود تا چندک‌های پیش‌بینی هر مدل با آن هم‌تراز شوند. به‌گزارش نویسندگان، این هم‌ترازی در مجموع پیش‌بینی اعضای مجموعه را بهبود می‌دهد. QUAL سپس پیش‌بینی‌های هم‌تراز‌شده را با تجمیع Huber و روش rearrangement ترکیب می‌کند.