AnomSeer：强化多模态 LLM 以进行时间序列异常检测推理
机器学习
2026-02-10 v1 人工智能
摘要
时间序列异常检测（TSAD）使用多模态大型语言模型（MLLMs）是一项新兴领域，但仍面临持续挑战：MLLMs 依赖粗糙的时间序列启发式方法，但在处理多维、详细推理方面困难，这对于理解复杂时间序列数据至关重要。我们提出 AnomSeer 以解决此问题，通过强化模型在时间序列的精确、结构化细节上进行推理，统一异常分类、定位和解释。其核心是一个专家链式思维轨迹被生成，用于提供来自经典分析（例如统计量、频率变换）的可验证、细粒度的推理。建立在此基础上，我们提出了一种新的时间序列 grounded 策略优化（TimerPO），该方法在标准强化学习之外包含两个额外组件：基于最优传输的时间序列 grounded advantage 以及正交投影，以确保该辅助细粒度信号不会干扰主要检测目标。 在多种异常情景下，AnomSeer 使用 Qwen2.5-VL-3B/7B-Instruct 在分类和定位准确性方面超过了更大的商业基线（例如 GPT-4o），尤其在基于点和频率驱动的异常方面表现更佳。此外，它产生了支撑其结论的合理时间序列推理轨迹。
引用
@article{arxiv.2602.08868,
title = {AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection},
author = {Junru Zhang and Lang Feng and Haoran Shi and Xu Guo and Han Yu and Yabo Dong and Duanqing Xu},
journal= {arXiv preprint arXiv:2602.08868},
year = {2026}
}
备注
Preprint