ChatAD：基于多轮指令演进的推理增强时间序列异常检测
人工智能
2026-01-21 v1
摘要
LLM 驱动的异常检测有助于增强对时间序列中异常行为的理解和解释能力。现有方法面临推理能力不足、多轮对话能力欠缺以及泛化能力狭窄等挑战。为此，我们 1) 提出了一种基于多智能体的时间序列演进算法，命名为 TSEvol。在此基础上，我们 2) 引入了异常检测推理与多轮对话数据集 TSEData-20K，并贡献了用于异常检测的聊天机器人系列，包括 ChatAD-Llama3-8B、Qwen2.5-7B 和 Mistral-7B。此外，3) 我们提出了时间序列 Kahneman-Tversky 优化 (TKTO) 以增强 ChatAD 的跨任务泛化能力。最后，4) 我们提出了基于 LLM 驱动学习的异常检测基准 LLADBench，以在七个数据集和任务上评估 ChatAD 及九个基线模型的性能。我们的三个 ChatAD 模型取得了显著提升，准确率最高达 34.50%，F1 达 34.71%，假阳性率降低 37.42%。此外，通过 TKTO，我们优化后的 ChatAD 在分类、预测和插补任务上的推理和跨任务泛化方面取得了具有竞争力的性能。
引用
@article{arxiv.2601.13546,
title = {ChatAD: Reasoning-Enhanced Time-Series Anomaly Detection with Multi-Turn Instruction Evolution},
author = {Hui Sun and Chang Xu and Haonan Xie and Hao Li and Yuhao Huang and Chuheng Zhang and Ming Jin and Xiaoguang Liu and Gang Wang and Jiang Bian},
journal= {arXiv preprint arXiv:2601.13546},
year = {2026}
}