深度分析
QpiGNN：雙頭架構實現圖神經網路量化無關不確定性預測區間
研究提出 Quantile‑free Prediction Interval GNN（QpiGNN），以雙頭架構與量化無關聯合損失，直接在標籤監督下優化預測區間的覆蓋率與寬度，免除傳統量化回歸的量化參數、重抽樣或後處理步驟。
深度分析
研究提出 Quantile‑free Prediction Interval GNN（QpiGNN），以雙頭架構與量化無關聯合損失，直接在標籤監督下優化預測區間的覆蓋率與寬度，免除傳統量化回歸的量化參數、重抽樣或後處理步驟。
深度分析
QuantSightBench 提出以預測區間（prediction intervals）作為大型語言模型（LLM）數值預測的評估介面，從零-shot、背景提示到具檢索能力的 agentic 三種設定進行比較。研究強調預測區間能揭露尺度意識、不同置信水準間的一致性與校準性，比單一點估計更能測試模型對不確定性的表述。