Naukowcy z arXiv pracowali nad rozwiązaniem problemu transfer learning dla systemów termicznych w elektrycznych silnikach motorsportowych, gdzie modele trenowane w laboratorium nie działają dobrze na rzeczywistych torach. Problem polega na tym, że temperatury wewnątrz silnika są prawie niemożliwe do obserwacji poza laboratorium, a warunki jazdy się drastycznie różnią między kontrolowanymi testami a rzeczywistym użytkowaniem.
Drużyna zastosowała conformal prediction - metodę statystyczną dającą przedziały ufności bez założeń o rozkładzie prawdopodobieństwa. Zaimplementowali Ensemble Batch Prediction Intervals (EnbPI), technikę bootstrap ensemble pracującą z szeregami czasowymi. Model kalibrowano na rzeczywistych danych z cyklerów litowo-jonowych A123 SP20 firmy CALCE, używając profilu FUDS. Testy pokazały, że standardowa wersja EnbPI osiąga nominalnych 95% pokrycia w warunkach treningowych, ale gdy zmienił się rozkład danych (US06 Highway Driving Schedule w 45 stopniach Celsjusza), pokrycie spadło do zaledwie 70%.
Rozwiązaniem było dodanie ważenia opartego na estimacji współczynnika gęstości prawdopodobieństwa przy użyciu probabilistycznego klasyfikatora domeny. To podejście weighted EnbPI podniosło pokrycie do 72%, co stanowi umiarkowaną poprawę - nie idealne rozwiązanie, ale przesunięcie w dobrym kierunku. Badacze uczciwie przyznają, że to nie jest kompletne rozwiązanie problemu transfer learning, choć stanowi ważny krok w kierunku bardziej wiarygodnych prognoz termicznych dla wyścigów Formuły 1 i innych motorsportowych zastosowań elektrycznych.