Naukowcy zaprezentowali CAGE, innowacyjną metodę prognozowania szeregów czasowych, która łączy generacyjne modelowanie, dyskryminację adversarialną i predykcję konformalną w jeden spójny system. Problem, który rozwiązuje, jest praktyczny: tradycyjne metody ensemble często dają zbyt dużą wagę ekstremalnym prognozom, co prowadzi do niedokładnych wyników. CAGE zmienia to podejście poprzez dynamiczną ocenę każdej prognozy na podstawie jej wiarygodności statystycznej.
Architektura systemu działa w trzech krokach. Najpierw wiele generacyjnych modeli produkuje różnorodne prognozy wstępne. Następnie komponent dyskryminacyjny ocenia każdą prognozę przy użyciu nonconformity scores - miary wskazujące, jak bardzo dana prognoza odbiega od oczekiwanego rozkładu. Te wyniki przekształcają się w p-wartości, które bezpośrednio wpływają na wagi przypisane każdemu modelowi w ostatecznym wyliczeniu średniej ważonej.
Empirycze testy na dwóch zestawach danych - kolekcji mleka z Nowej Zelandii oraz globalnych danych o ospie małpiej z zasobu owid - wykazały znaczącą przewagę CAGE nad tradycyjnymi metodami ensemble, szczególnie w sytuacjach pełnych wartości skrajnych i szumu. Takie scenariusze są częste w rzeczywistych aplikacjach. Metoda ma duży potencjał dla sektora finansowego, prognoz pogody i optymalizacji łańcuchów dostaw, gdzie dokładne prognozy z oszacowaniem pewności mogą bezpośrednio wpłynąć na decyzje biznesowe.