Zespół badawczy wykazał, że heteroscedastic forecasting, czyli technika polegająca na jednoczesnym szacowaniu parametru lokalizacji i skali rozkładu, poprawia nie tylko kwantyfikację niepewności ale także dokładność samych prognoz punktowych. To stanowi zaskakujące odkrycie w kontekście wcześniejszych badań, które pokazywały negatywne rezultaty heteroskedastycznej estymacji w innych obszarach poza szeregami czasowymi.
Metoda Halo jest prostym rozszerzeniem istniejących architektur - dodaje drugie wyjście do sieci prognozującej skalę rozkładu i trenuje ją przy użyciu negative log likelihood. Badacze przetestowali podejście adaptując trzy modele type-of-the-art: transformer, sieć grafową połączoną z autoencoderem wariacyjnym oraz jednowarstwową sieć konwolucyjną. Eksperymenty obejmowały zarówno straty gaussowskie jak i laplacjanskie na benchmarku pięciu rynków cen energii elektrycznej.
Wyniki są imponujące - Halo poprawiła MSE średnio o 2,6 do 16,5 procent oraz MAE o 1,7 do 11 procent w 28 z 30 porównań model-rynek-metryka. Kluczowe ustalenia pokazują, że sposób implementacji estymacji skali - czy przez drugą głowę projekcji czy przez pełną sieć równoległą - ma znacznie mniejsze znaczenie niż sam fakt szacowania skali. Co ważne, metoda działa bez potrzeby ponownego dostrajania hiperparametrów już optymalizowanych dla modelu bazowego, co czyni ją praktycznie dostępną dla praktyków.