STOIC：图能量时序不确定性量化的残差校准框架

研究者 Keivan Faghih Niresi、Alice Cicirello 和 Olga Fink 提出 STOIC（Spatial-Temporal uncertainty quantificatiOn via In-Context learning），一种受共形预测启发的后验残差校准框架，将基于图的时空预测与表格基础模型的上下文学习能力结合，无需针对任务重新训练校准模型即可估计特征条件残差分位数。 作者在论文中说明，STOIC 应被视为一种受共形预测启发的残差校准方法，其本身在任意时间依赖下并不提供有限样本、无分布假设的覆盖率保证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。