정확도 너머에: 시계열 파운데이션 모델(TSFM)이 잘 보정(Calibration)되어 있는지에 대한 연구 (feat. ICLR 2026)

9bow · 6월 10, 2026, 10:30오전

정확도 너머에: 시계열 파운데이션 모델은 잘 보정되어 있을까?

일기 예보를 떠올려 봅시다. 어떤 예보관이 매일 "내일 비 올 확률 70\% " 라고 말한다면, 우리는 그 숫자가 정확한지 어떻게 알 수 있을까요? 단순히 비가 왔는지 안 왔는지만 보는 것으로는 부족합니다. "70\% 라고 말한 날들 중 실제로 약 70\% 에 비가 왔는가?" 를 따져봐야 합니다. 만약 그가 "90\% " 라고 자신만만하게 외친 날에 정작 비가 절반밖에 오지 않았다면, 그 예보관은 과신(overconfident)하고 있는 것입니다. 예측이 맞고 틀리는 것(정확도)과, 예측에 담긴 확신의 정도가 현실과 맞는지(보정)는 전혀 다른 문제입니다.

이 글에서 소개하는 논문 Beyond Accuracy: Are Time Series Foundation Models Well-Calibrated? 는 바로 이 질문을 시계열 파운데이션 모델(Time Series Foundation Model, 이하 TSFM)에 던집니다. 최근 등장한 TSFM들은 점 예측(point forecast)의 정확도에서 뛰어난 성능을 보이지만, 이들이 내놓는 확률적 예측, 즉 예측 구간과 불확실성이 실제 데이터와 얼마나 잘 맞는지(보정, calibration)는 거의 연구되지 않았습니다. 이 논문은 5개의 대표적인 TSFM과 2개의 강력한 베이스라인을 6개 데이터셋에 걸쳐 체계적으로 평가하여, TSFM이 베이스라인보다 일관되게 더 잘 보정되어 있으며, 다른 딥러닝 모델과 달리 체계적으로 과신하지도 과소평가하지도 않는다는 사실을 처음으로 밝혀냈습니다. 이 연구는 UC Irvine과 Google의 공동 연구로, ICLR 2026 에 채택되었습니다.

시계열 파운데이션 모델(TSFM)의 부상과 빈틈

시계열 데이터를 예측하는 일은 기후 과학, 에너지 수요 예측, 의료, 소비자 행동 분석, 금융 등 데이터가 다뤄지는 거의 모든 분야에서 핵심적인 과제입니다. 전통적으로는 선형 자기회귀(autoregressive, AR) 모델 같은 통계적 기법이 자리를 지켜왔고, 이후 N-BEATS 나 Informer 같은 딥러닝 모델이 더 풍부한 표현력으로 이를 보완해 왔습니다.

가장 최근의 흐름은 시계열 파운데이션 모델(TSFM) 의 등장입니다. 기존 모델이 하나의 출처에서 나온 시계열 하나하나에 개별적으로 맞춰 학습되는 것과 달리, TSFM은 다양한 도메인의 방대한 시계열로 학습된 범용 모델입니다. 따라서 원칙적으로 어떤 시계열이든 추가 학습 없이 제로샷(zero-shot) 또는 퓨샷(few-shot)으로 예측할 수 있습니다. 실무자 입장에서는 시계열마다 새 모델을 다시 학습시킬 필요 없이 단 하나의 글로벌 모델만 운영하면 되니 매우 매력적입니다.

여기서 중요한 점은, TSFM이 대부분 단일 점 예측이 아니라 미래 값에 대한 조건부 분포(conditional distribution) 를 내놓는다는 것입니다. 즉 "내일 값은 100이다" 가 아니라 "내일 값은 90에서 110 사이에 있을 가능성이 높다" 와 같은 분포 정보를 함께 제공합니다. 이 분포 정보는 이상 탐지(anomaly detection)나 의료처럼 의사결정이 중요한 응용에서 결정적인 역할을 합니다. 그렇다면 자연스럽게 다음 질문이 따라옵니다. TSFM이 내놓는 이 조건부 분포는 얼마나 믿을 만한가? 예측된 확률이 실제 관측 데이터와 얼마나 잘 맞는가?

기존 평가 지표의 함정: 보정과 예리함이 뒤섞이다

이미지 분류나 회귀 모델의 보정 특성은 그동안 머신러닝에서 상당한 주목을 받아왔습니다. 특히 Guo 등(2017) 의 유명한 연구는 현대 딥러닝 모델이 체계적으로 과신하는 경향이 있음을 보였습니다. 하지만 TSFM의 보정 특성은 거의 탐구되지 않은 영역으로 남아 있었습니다.

문제는 기존 시계열 평가 지표들이 보정을 제대로 측정하지 못한다는 데 있습니다. 시계열 예측에서 가장 널리 쓰이는 보정 관련 지표로는 연속 순위 확률 점수(Continuous Ranked Probability Score, CRPS)와 그 이산 대용물인 가중 분위수 손실(Weighted Quantile Loss, WQL), 그리고 평균 스케일 구간 점수(Mean Scaled Interval Score, MSIS) 등이 있습니다. 과거 연구들은 이 지표들을 근거로 "TSFM이 ARIMA나 N-BEATS 같은 베이스라인보다 더 잘 보정되어 있다" 고 주장해 왔습니다.

그런데 Chung 등(2021) 은 이 지표들(CRPS, WQL, MSIS)이 보정(calibration) 과 예리함(sharpness) 을 한데 섞어 측정한다는 점을 증명했습니다. 여기서 보정은 "예측 확률이 실제와 맞는가" 를, 예리함은 "예측 분포가 얼마나 좁고 집중되어 있는가" 를 뜻합니다. 두 가지가 뒤섞이면 평가가 예리함 쪽으로 치우쳐, 정작 보정이 나쁜 모델이 좋게 평가될 수 있습니다.

위 그림은 이 문제를 구체적으로 보여줍니다. Glucose 데이터셋에서 WQL은 점 정확도 지표인 평균 절대 스케일 오차(Mean Absolute Scaled Error, MASE)와 강하게 상관됩니다. 그 결과 WQL은 ARIMA를 가장 잘 보정된 모델로 잘못 지목합니다. 반면 오른쪽의 확률적 보정 오차(Probabilistic Calibration Error, PCE)는 정확도와 무관하게 보정만을 직접 측정합니다. 저자들의 핵심 문제의식은 분명합니다. 보정을 평가하려면 보정만을 떼어 재는 지표가 필요하다는 것입니다.

보정을 제대로 재는 세 가지 지표

이 논문이 사용하는 핵심 도구는 보정과 예리함, 그리고 보정의 방향성(과신/과소평가)을 각각 분리해서 측정하는 세 가지 지표입니다. 길이 L 의 예측 \hat{y}_{T+1:T+L} 에 대해, 각 시점의 예측 분위수를 \hat{y}^{q}_{t} 로 표기합니다.

확률적 보정 오차 (PCE)

첫 번째 지표는 확률적 보정 오차(Probabilistic Calibration Error, PCE) 입니다. 직관적으로 PCE는 예측된 누적분포함수(CDF)와 경험적 CDF의 차이를 측정합니다.

\mbox{PCE}=\frac{1}{|Q|}\sum_{q\in Q}\left|q-\frac{1}{L}\sum_{t=T+1}^{T+L}\mathbf{1}[y_{t}\leq\hat{y}^{q}_{t}]\right|

쉽게 말해, 모델이 "이 값이 q 분위수다" 라고 예측했다면, 실제 관측값 중 그 분위수 아래에 떨어지는 비율도 q 에 가까워야 합니다. 예를 들어 0.9 분위수 예측이라면 실제 데이터의 약 90\% 가 그 아래에 있어야 잘 보정된 것입니다. 실험에서는 q\in Q=\{0.1, 0.2, \ldots, 0.9\} 의 분위수들을 평균합니다. PCE는 0 부터 0.5 사이의 값을 가지며, 낮을수록 잘 보정된 것입니다. 대략적인 감을 잡자면, PCE가 0.05 이하면 매우 잘 보정된 것이고 0.15 보다 크면 보정이 나쁜 편이라고 볼 수 있습니다.

스케일 구간 너비 (SIW)

잘 보정된 모델이라고 해서 항상 유용한 것은 아닙니다. 예를 들어 입력과 무관하게 늘 전체 데이터의 주변 분포(marginal distribution)만 내놓는 모델은 보정은 완벽할 수 있어도 쓸모가 없습니다. 그래서 예측 분포가 얼마나 집중되어 있는지(예리함)를 재는 지표가 함께 필요합니다. 두 번째 지표인 스케일 구간 너비(Scaled Interval Width, SIW) 는 예측 신뢰 구간의 너비를 측정합니다.

\mbox{SIW}_{s}=\frac{1}{L}\sum_{t=T+1}^{T+L}\frac{\hat{y}^{q_{\text{high}}}_{t}-\hat{y}^{q_{\text{low}}}_{t}}{y^{q_{\text{high}}}-y^{q_{\text{low}}}}

SIW 값이 작으면(예측 구간이 좁으면) 모델이 자신의 예측에 더 확신을 갖는다는 뜻이고, 크면(구간이 넓으면) 덜 확신한다는 뜻입니다.

중심 보정 오차 (CCE)

마지막으로, 모델이 한쪽 방향으로 체계적으로 잘못 보정되어 있는지를 알고 싶습니다. 세 번째 지표인 중심 보정 오차(Centered Calibration Error, CCE) 는 예측 구간에 실제로 들어온 데이터의 비율을 해당 신뢰 수준 s 와 비교합니다.

\mbox{CCE}=\frac{1}{|S|}\sum_{s\in S}s-\frac{1}{L}\sum_{t=T+1}^{T+L}\mathbf{1}\left[\hat{y}_{t}^{q_{\text{low}}}\leq y_{t}\leq\hat{y}_{t}^{q_{\text{high}}}\right]

CCE의 부호와 SIW를 함께 보면 모델의 과신/과소평가 방향을 알 수 있습니다. CCE가 양수이면서 SIW가 작으면, 예측 구간 밖으로 벗어난 실제 데이터가 신뢰 수준이 예상하는 것보다 많다는 뜻이므로 모델이 과신(overconfident) 하고 있다고 추론할 수 있습니다. 반대로 CCE가 음수이면서 SIW가 크면 모델이 과소평가(under-confident), 즉 지나치게 보수적이라는 뜻입니다. 점 정확도는 별도로 MASE로 측정합니다.

이렇게 보정(PCE), 예리함(SIW), 방향성(CCE)을 분리해 측정함으로써, 앞서 본 WQL의 함정에 빠지지 않고 모델의 확률적 예측 품질을 정밀하게 해부할 수 있습니다.

실험 설계: 무엇을, 무엇으로, 어디서 평가했는가

평가 대상은 GIFT-EVAL 벤치마크에서 당시 최신 성능을 보인 5개의 TSFM, 즉 Chronos-Bolt, TimesFM, Moirai 2.0, TiRex, YingLong 입니다. 모두 대규모 사전학습을 거쳤고 기본 예측 헤드로 분위수 헤드(quantile head)를 사용합니다. 아키텍처는 다양합니다. TimesFM, Moirai 2.0, TiRex는 인과적 어텐션(causal attention)을 쓰는 디코더 전용(decoder-only) 구조이고, Chronos-Bolt는 T5 기반 인코더 디코더, YingLong은 양방향 인코더 전용 구조입니다. 특히 TiRex는 트랜스포머가 아니라 xLSTM 백본을 사용한다는 점이 흥미롭습니다. 베이스라인으로는 통계적 기법의 대표인 ARIMA와 신경망 기법의 대표인 N-BEATS를 사용했습니다.

데이터셋은 시간 단위 세분성(granularity), 계절성, 예측 난이도가 서로 다른 6개를 선정했습니다. 모델 사전학습에 쓰이지 않았을 데이터를 의도적으로 고른 점이 중요합니다.

Reviews: Amazon 및 Google Places 리뷰의 시간당 발생 횟수(카운트 데이터)
Shopping (M5): 매장별 일일 상품 판매량
Crime: 뉴욕시(NYC) 자치구별 일일 범죄 신고 건수
Glucose: 5분 간격으로 측정한 16명 피험자의 혈당 농도
Heart-Rate: 명상 중 14명 자원자의 심박수
Patents: 1981년부터 2014년까지 월별 미국 특허 출원 건수(거친 시간 세분성)

특히 Glucose와 Heart-Rate는 의료 영역의 데이터로, 사전학습 데이터에서 흔한 주기적 패턴(예: 24시간 주기)과 성격이 다릅니다. Gu 등(2025) 이 지적했듯, 일반적인 벤치마크에서의 높은 정확도가 의료 같은 응용에서의 정확도로 곧바로 이어지지는 않기 때문에, 이런 데이터를 포함해 모델의 한계를 함께 살펴보려는 의도입니다.

핵심 결과 1: TSFM은 정말 잘 보정되어 있을까?

먼저 점 예측 정확도부터 봅시다. 아래 그림처럼 TSFM들은 베이스라인보다 더 낮은 MASE(즉 더 높은 정확도)를 보이는 경우가 많아, 점 예측에서도 경쟁력 있는 성능을 입증했습니다. 다만 Glucose와 Patents 데이터셋은 다른 데이터셋보다 MASE가 눈에 띄게 높은데, 이는 이 두 데이터에 1, 2개 시차(lag)를 넘어서는 유의미한 선형 의존성이 거의 없기 때문으로 보입니다.

그렇다면 본론인 보정은 어떨까요? 아래 그림이 이 논문의 핵심 결과입니다. 위쪽은 기본 분위수 헤드를 사용한 각 모델의 PCE를, 아래쪽은 과신(양수) 또는 과소평가(음수)를 나타내는 CCE를 보여줍니다.

결과는 분명합니다. TSFM은 N-BEATS와 ARIMA 베이스라인보다 일관되게 더 잘 보정되어 있습니다. 대부분의 데이터셋에서 TSFM의 PCE는 0.05 에 가깝거나 그 아래에 머무는 반면, 베이스라인은 모든 예측 길이에서 꾸준히 높은 PCE를 보입니다. 예외는 모든 기법이 어려움을 겪는 Patents 데이터셋뿐입니다. 흥미롭게도 어느 한 TSFM이 다른 모델들을 압도하지는 않았고, TSFM들끼리는 대체로 비슷한 수준의 보정 성능을 보였습니다.

또한 예측이 미래로 멀어질수록 점 정확도(MASE)와 보정 오차(PCE)가 모두 나빠지는 것은 자연스러운 현상입니다. 그러나 TSFM은 64 시점이나 떨어진 먼 미래에서도 PCE가 0.05 근처에 머무는 등 보정이 상대적으로 안정적이었던 반면, 베이스라인은 모든 예측 길이에서 일관되게 높은 PCE를 유지했습니다. 순수 IID 잡음과 잡음이 섞인 1차 선형 과정이라는 두 합성 데이터셋을 이용한 통제 실험에서도, TSFM은 과적합 없이 MASE와 PCE 양쪽에서 좋은 성능을 보였습니다. ARIMA는 MASE는 좋았지만 보정(PCE)은 TSFM만큼 좋지 않았습니다.

핵심 결과 2: TSFM은 특정 방향으로 편향되어 있을까?

앞서 언급했듯, 이미지와 텍스트 영역의 딥러닝 모델은 체계적으로 과신하는 것으로 잘 알려져 있습니다. 그렇다면 시계열 영역의 TSFM도 비슷한 편향, 즉 과신이나 과소평가 쪽으로 치우쳐 있을까요?

위 그림의 아래쪽 CCE 결과가 이 질문에 답합니다. 모든 모델이 과신하는 Patents 데이터셋을 제외하면, TSFM은 체계적으로 과신하지도, 과소평가하지도 않았습니다(CCE가 0 근처). 반면 N-BEATS와 ARIMA는 일관되게 과소평가하는 경향을 보였습니다(CCE가 크게 음수, 즉 예측 구간이 지나치게 넓음). 부록의 분석에 따르면 구간 너비(SIW)와 중심 보정(CCE)은 음의 상관을 가져, 예측 구간이 넓은 모델일수록 CCE가 작아지고 과소평가하는 경향이 있었습니다.

TSFM이 텍스트나 이미지 모델처럼 체계적으로 과신하지 않는다는 점은 주목할 만합니다. 저자들은 그 이유를 학습 방식에서 찾습니다. "TSFM은 보정을 인식하는 손실(즉 WQL을 최소화하도록)으로 직접 학습되는 반면, 텍스트와 이미지 모델은 재구성 오차나 분류 오차를 최소화하도록 학습되기 때문" 으로 설명할 수 있다는 것입니다. 학습 목표에 보정이 직접 반영되어 있느냐가 결정적인 차이를 만든 셈입니다.

핵심 결과 3: 예측 헤드는 보정에 얼마나 영향을 줄까?

TSFM 설계에서 중요한 선택지 중 하나는 예측 헤드(prediction head) 입니다. 모델의 백본이 만들어낸 잠재 표현(latent representation)을 실제 확률적 예측으로 변환하는 마지막 블록이죠. 분위수 헤드(논문 속 모든 TSFM의 기본값), 모수적 분포 헤드(예: Student's t 분포를 쓰는 Lag-Llama), 범주형 분포 헤드(예: Chronos), 그리고 여러 분포를 섞는 준모수적 혼합 헤드(예: Toto, Moirai 1.0) 등 다양한 접근이 제안되어 왔습니다.

그렇다면 예측 헤드의 형태가 보정 성능에 영향을 줄까요? 이를 확인하기 위해 저자들은 각 사전학습된 TSFM 백본이 만든 잠재 정보를 그대로 두고, 그 위에 서로 다른 예측 헤드들을 새로 학습시켰습니다. 구체적으로는 가우시안(Gaussian) 분포, Student's t 분포, 그리고 가우시안과 Student's t, 로그 정규(log-normal), 라플라스(Laplace) 분포를 섞은 혼합 분포를 학습시켰습니다. 학습 데이터로는 평가용 6개 데이터셋과 독립적인 TSMixup을 사용해, 평가의 공정성을 확보했습니다.

결과는 흥미롭습니다. 분위수, Student's t, 혼합 분포 헤드는 모든 데이터셋에서 보정 오차가 거의 비슷했습니다. 세 헤드 사이에 유의미한 우열이 없었다는 뜻입니다. 반면 가우시안 분포 헤드만 유독 보정 성능이 나빴습니다. 가우시안 헤드는 일관되게 과소평가(CCE가 다른 헤드보다 항상 낮음)했고, 이것이 곧 높은 보정 오차로 이어졌습니다. 저자들은 "가우시안 분포의 제한된 표현력이 나쁜 보정을 낳는 반면, 더 표현력이 풍부한 분포들은 과적합 없이 더 잘 보정된다" 고 추측합니다. 실무적으로 보면, 기본 분위수 헤드를 굳이 바꿀 필요가 없으며, 만약 모수적 분포 헤드를 쓴다면 단순 가우시안보다 표현력이 높은 쪽을 택하는 편이 안전하다는 시사점을 줍니다.

핵심 결과 4: 장기 예측에서 자기회귀 방식은 보정에 어떤 영향을 줄까?

마지막 분석은 장기 예측(long-term forecasting)을 다룹니다. 많은 TSFM은 한 번의 순전파(forward pass)로 예측할 수 있는 예측 지평(forecast horizon) H 가 제한되어 있어서, 원하는 예측 길이 L 이 H 보다 훨씬 길면 자기회귀(autoregressive, AR) 예측에 의존합니다. 즉 자신의 이전 예측을 다시 입력 맥락(context)에 넣어 다음 구간을 예측하는 식이죠. 그런데 AR 방식은 매 반복마다 확률적 예측이 다시 초기화되면서 성능이 크게 나빠지는 것으로 알려져 있습니다. 모델마다 AR 구현 방식이 조금씩 다른데, 논문은 세 가지를 비교합니다.

단순 점 기반 AR(naive): Chronos-Bolt와 TimesFM이 쓰는 방식으로, 평균이나 중앙값 예측만 맥락에 추가합니다. 가장 단순하지만 확률 정보가 매번 사라집니다.
분기 방식(branching): Moirai 2.0이 쓰는 방식으로, 각 분위수마다 별도의 맥락으로 분기시켜 자기회귀합니다. 매 시점마다 모델을 |Q| 번 실행해야 합니다.
궤적 방식(trajectory): Toto가 쓰는 방식으로, 예측 분포에서 무작위로 샘플링한 값을 맥락에 추가하여 n 개(n \gg |Q|)의 독립적인 궤적을 만든 뒤, 각 시점에서 궤적들의 분위수를 취합니다.

위 그림에서 가로축은 AR 예측 지평 H 의 길이, 세로축은 PCE입니다. 두 가지 분명한 경향이 보입니다. 첫째, 예측 지평 H 가 짧을수록 보정이 나빠집니다. 특히 분기 방식에서 이 현상이 두드러져, 지평 길이가 16 일 때는 64 나 128 일 때보다 PCE가 눈에 띄게 높습니다. 둘째, 같은 예측 지평이라면 궤적 방식이 분기 방식보다 PCE가 대체로 낮습니다.

그 이유는 CCE를 보면 명확해집니다. 모든 자기회귀 TSFM은 장기 예측에서 일관되게 과신하는데, 분기 방식의 CCE는 지평 길이 16 과 32 에서 종종 0.15 를 넘을 정도로 과신이 심합니다. 이 과신은 지평이 길어질수록 가파르게 줄어들어 전체 보정 오차도 함께 줄어듭니다. 궤적 방식이 분기 방식보다 계산 비용이 클 수 있지만, 보정 측면에서는 더 우수한 셈입니다.

가장 인상적인 것은 위 그림의 분홍색과 파란색 점선입니다. 이는 AR을 아예 쓰지 않고 긴 예측 지평을 네이티브하게 지원하는 TiRex 와 YingLong 의 PCE인데, 두 AR 방식보다 훨씬 효율적이면서도 더 잘 보정되어 있고 체계적인 과신이나 과소평가도 보이지 않았습니다. 저자들은 "장기 예측에 대한 향후 연구는 더 긴 예측 지평을 가진 모델과 AR 기반이 아닌 대안을 우선해야 한다" 고 권고합니다.

결론 및 시사점

이 연구는 그동안 점 정확도에 치우쳐 있던 TSFM 평가의 빈틈, 즉 보정이라는 측면을 정면으로 다룹니다. 시계열 예측에 내재한 불확실성을 정확히 정량화하려면 보정이 필수적이기 때문입니다. 정리하면 다음과 같습니다.

TSFM은 베이스라인(N-BEATS, ARIMA)보다 일관되게 잘 보정되어 있습니다. 그리고 단기 예측에서 체계적인 과신이나 과소평가를 보이지 않습니다. 이는 보정을 인식하는 손실로 직접 학습되기 때문으로 보입니다.
예측 헤드를 바꿔도 보정은 대체로 유지됩니다. 단, 표현력이 제한된 가우시안 헤드만은 일관되게 과소평가하므로 피하는 것이 좋습니다.
장기 자기회귀 예측에서는 예측 지평을 길게 하고, 분기보다 궤적 방식을 쓰는 편이 보정에 유리합니다. 더 나아가 AR이 필요 없는 모델(TiRex, YingLong)이 효율과 보정 양쪽에서 가장 우수했습니다.

물론 한계도 분명합니다. 이 연구는 제로샷 단변량(univariate) 시계열과 고정된 분위수 집합 q\in\{0.1, \ldots, 0.9\} 에 한정해 평가했습니다. 따라서 미세 조정(fine-tuning) 상황에서의 보정, 다변량(multivariate) 데이터로의 확장, 더 높은 해상도의 분위수 평가 등이 의미 있는 후속 연구가 될 것입니다. 특히 실무적으로 중요한 방향은 분포 변화(distribution shift)와 비정상성(non-stationarity)이 TSFM의 보정에 미치는 영향입니다. 딥러닝 분류 모델의 보정이 분포 변화에 민감하다는 점이 잘 알려져 있는 만큼, 이는 TSFM의 실제 배포 신뢰성을 가늠하는 핵심 질문이 될 것입니다.

종합하면, 이 논문은 "TSFM이 정확하다" 는 익숙한 결론을 넘어, "TSFM이 자신의 불확실성에 대해서도 정직하다" 는 한 걸음 더 나아간 증거를 제시합니다. 예측의 신뢰성이 곧 의사결정의 품질로 직결되는 의료, 에너지, 금융 같은 영역에서, 이 발견은 TSFM을 실제 시스템에 도입할 때 매우 든든한 근거가 되어줄 것입니다.

코드 및 재현

이 논문의 실험 코드는 GitHub에 MIT 라이선스로 공개되어 있습니다. 모델 간 의존성 충돌 때문에 세 개의 분리된 환경(main: TimesFM, Moirai2, Chronos-Bolt 및 평가; yinglong: YingLong; tirex: TiRex)을 사용합니다.

git clone https://github.com/Coaster41/Beyond-Accuracy-TSFM-Calibration.git
cd Beyond-Accuracy-TSFM-Calibration

# 세 개의 환경을 한 번에 생성
cd environments
bash setup_all_envs.sh

데이터셋 준비는 data/README.md, 예측 헤드 학습과 예측 실행 및 지표 계산은 src/README.md를 참고하면 됩니다.

Beyond Accuracy: Are Time Series Foundation Models Well-Calibrated? 논문

We find that time series foundation models are consistently better calibrated than baseline models and tend not to be either systematically over- or under-confident, in contrast to the overconfidence often seen in other deep learning models.

Beyond-Accuracy-TSFM-Calibration GitHub 저장소

ICLR 2026에 채택된 논문의 공식 저장소로, 5개 TSFM과 2개 베이스라인의 보정 평가 코드 전체를 담고 있습니다.

더 읽어보기

이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다!
텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다.

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~