大语言模型能理解时间序列异常吗？
机器学习
2025-03-13 v3
摘要
大语言模型(LLMs)在时间序列预测领域已广受欢迎，但其在异常检测方面的潜力在很大程度上仍未得到探索。本研究探讨LLMs是否能够理解并检测时间序列中的异常，重点关注零样本和少样本场景。基于时间序列预测研究中关于LLM行为的猜想，我们提出了关于LLM在时间序列异常检测中能力的关键假设。我们设计并进行了原则性实验来检验这些假设。我们的研究揭示了关于LLM用于时间序列的几个令人惊讶的发现：(1) LLM将时间序列作为图像而非文本来理解时效果更好；(2) LLM在被提示进行显式推理时并未表现出增强的性能；(3) 与普遍看法相反，LLM对时间序列的理解并非源于其算术能力或重复偏差；(4) LLM在时间序列分析中的行为和性能在不同模型间差异显著。本研究首次对当代LLM在时间序列异常检测中的能力进行了全面分析。我们的结果表明，虽然LLM能够理解简单的时间序列异常，但没有证据表明它们能理解更微妙的现实世界异常。基于其推理能力的许多猜想并不成立。所有合成数据集生成器、最终提示和评估脚本均可在 https://github.com/rose-stl-lab/anomllm 获取。
引用
@article{arxiv.2410.05440,
title = {Can LLMs Understand Time Series Anomalies?},
author = {Zihao Zhou and Rose Yu},
journal= {arXiv preprint arXiv:2410.05440},
year = {2025}
}