AnomaMind：基于工具增强推理的智能体时间序列异常检测
机器学习
2026-02-17 v1
摘要
时间序列异常检测是许多实际应用中的关键任务，有效的解决方案必须在复杂环境下定位异常区域并支持可靠决策。然而，大多数现有方法将异常检测仅仅建模为基于固定特征输入的纯判别式预测任务，这导致它们在异常 exhibits 强上下文依赖或多样化模式时常常难以应对。我们认为，这些局限性源于缺乏自适应特征准备、推理感知的检测以及推理过程中的迭代细化。为此，我们提出了 AnomaMind——一个智能体化时间序列异常检测框架，将异常检测重新建模为顺序决策过程。AnomaMind 通过结构化工作流程，逐步以粗到细的方式定位异常时间区间，通过多轮工具交互实现特征准备的自适应增强，并通过自我反思来细化异常决策。该工作流程由一组可复用的工具引擎支持，实现上下文感知的诊断分析。AnomaMind 的关键设计是为工具增强异常检测构建的显式混合推理机制。在此机制中，通用模型负责自主工具交互和自反思细化，而核心异常检测决策则通过强化学习在可验证的工作流程级反馈下学习，从而在灵活的推理框架内实现任务特定的优化。广泛的实验结果表明，AnomaMind 在多种复杂场景下均显著提升了异常检测性能。代码已公开于 https://anonymous.4open.science/r/AnomaMind。
引用
@article{arxiv.2602.13807,
title = {AnomaMind: Agentic Time Series Anomaly Detection with Tool-Augmented Reasoning},
author = {Xiaoyu Tao and Yuchong Wu and Mingyue Cheng and Ze Guo and Tian Gao},
journal= {arXiv preprint arXiv:2602.13807},
year = {2026}
}