ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition
创建于 更新于
摘要
本论文提出ProbFM：将Deep Evidential Regression (DER) 与 Normal-Inverse-Gamma 先验集成到时序 foundation model 中，以在单次前向传播中实现显式的认知（epistemic）与数据（aleatoric）不确定性分解，并结合覆盖率损失与证据退火等训练机制提升置信区间校准与决策可用性；在加密货币日收益实验中，DER 在不显著损失点预测精度的同时，能通过不确定性驱动的过滤与仓位调整改善风险调整后的交易绩效 [page::0][page::2][page::6].
