大型语言模型可提供准确且可解释的时间序列异常检测

May, 2024

大型语言模型可提供准确且可解释的时间序列异常检测

Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection

Jun Liu, Chaoyun Zhang, Jiaxu Qian, Minghua Ma, Si Qin...

TL;DRLLMAD 是一种新的时间序列异常检测方法，采用大语言模型（LLMs）提供准确而可解释的结果，通过在上下文中的检测来检索正面和负面的相似时间序列片段，并采用 Anomaly Detection Chain-of-Thought（AnoCoT）方法模仿专家逻辑进行决策过程，为用户决策提供解释。

Abstract

time series anomaly detection (TSAD) plays a crucial role in various industries by identifying atypical patterns that deviate from standard trends, thereby maintaining system integrity and enabling prompt response measures. Traditional TSAD models, which often rely on deep learning, re

time series anomaly detection llmad large language models in-context anomaly detection interpretability

发现论文，激发创造

大型语言模型可以用作时间序列的零样本异常检测器吗？

本研究通过 sigllm 框架探索了大型语言模型在时间序列异常检测方面的应用，包括时间序列转文本处理模块和基于预测的探测方法，并在 11 个数据集上进行了评估，结果显示预测方法在 F1 分数上明显优于提示方法，但与最先进的深度学习模型相比，大型语言模型的性能仍略逊，差距约为 30%。

May, 2024

大型语言模型引导的时间序列异常检测的知识蒸馏

通过知识蒸馏，以大型语言模型 (LLM) 为基础训练的教师网络来训练学生网络以检测时间序列异常，利用原型信号和合成异常样本的策略，AnomalyLLM 在 15 个数据集中表现出最先进的性能，在 UCR 数据集中提高了至少 14.5％的准确性。

Jan, 2024

MLAD: 多系统日志异常检测的统一模型

提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

Jan, 2024

基于大型语言模型的视频异常检测与解释

本文介绍了一种基于视频的大型语言模型在视频异常检测中的应用，该方法不需要阈值，并能解释检测到的异常事件。通过引入长期上下文网络模块和三阶段训练方法，提高了模型的性能并降低了数据需求和标注成本，该方法在 UCF-Crime 和 TAD 基准测试中实现了优异的性能。

Jan, 2024

用于预测和异常检测的大型语言模型：系统文献综述

通过系统性文献综述，全面考察了在预测和异常检测中使用大规模语言模型（LLMs）的应用，突出了现有研究的现状、固有挑战和未来发展方向。LLMs 已经在解析和分析大规模数据集以识别模式、预测未来事件和检测异常行为等各个领域展现了巨大潜力。然而，该综述指出了一些关键挑战，如依赖于大量历史数据集、在不同背景中的泛化问题、模型产生幻觉的现象、模型知识范围的局限性以及需要大量计算资源等，这些挑战阻碍了它们更广泛的应用和有效性。通过详细分析，本综述讨论了克服这些障碍的潜在解决方案和策略，如整合多模态数据，学习方法的进步以及强调模型可解释性和计算效率。此外，该综述还概述了可能影响 LLMs 在这些领域中发展的关键趋势，包括朝向实时处理、可持续建模实践的重要性和跨学科合作的价值。最后，该综述强调了 LLMs 对预测和异常检测可能产生的转变性影响，同时强调了持续创新、道德考虑和实际解决方案的需求以实现其全部潜力。

Feb, 2024

利用大型语言模型实现免训练视频异常检测

视频异常检测 (VAD) 旨在暂时定位视频中的异常事件。本文提出了一种名为 LAnguage-based VAD (LAVAD) 的方法，利用预训练的大型语言模型 (LLMs) 和现有的视觉 - 语言模型 (VLMs) 来处理 VAD，通过生成每个测试视频的文字描述，设计了一种启动机制，将 LLMs 转化为有效的视频异常检测器，并结合跨模态相似度进行清理和改善 LLMs 的基于异常评分的方法。在两个具有真实监控场景的大型数据集 (UCF-Crime 和 XD-Violence) 上评估 LAVAD，结果显示它在不需要任何训练或数据收集的情况下优于无监督和单类方法。

Apr, 2024

可学习数据增强的自监督时间序列异常检测

我们提出了一种利用可学习数据增强的时间序列异常检测（LATAD）技术，该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分，并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能，并提供了一种基于梯度的诊断技术来帮助确定根本原因。

Jun, 2024

利用 LLMs 进行表格数据的异常检测

利用大型语言模型（LLMs）来检测表格异常，并展示了预训练的 LLMs 在零样本批量级异常检测方面的效果，同时提出了一种简单但有效的数据生成过程和端到端微调策略来对齐 LLMs 检测真实异常的潜力。

Jun, 2024

通过潜在预测编码实现快速准确的多变量时间序列异常检测

LPC-AD 是一种快速而精确的多元时间序列异常检测方法，通过降低训练时间和提高检测准确度来提升性能，利用 autoencoder、latent predictive coding 等思想构建了通用架构 LPC-Reconstruct，实现了不同训练速度和检测准确度之间的权衡。

May, 2022

开放式多变量时间序列异常检测

本研究提出了一种新方法，名为多变量开放式时间序列异常检测（MOSAD），旨在解决开放式时间序列异常检测问题，该问题在训练阶段可见一小部分有标签的异常样本，测试阶段需要检测到既有的异常类别又有未知的异常类别，并通过在特征提取、多头网络和异常评分模块等方面的创新实现在时间序列异常检测领域的全新的最佳性能。

Oct, 2023