大语言模型可用于零样本时间序列异常检测吗？
机器学习
2024-11-04 v3
摘要
最近的研究表明，大语言模型能够执行各种任务，包括时间序列预测。这些模型的灵活性使其可以应用于许多应用领域。本文提出了一种新颖的研究，探讨大语言模型用于时间序列异常检测的挑战性任务。该问题包含两个对大语言模型而言都是新颖的方面：模型需要识别输入序列中（或多个）部分作为异常；以及需要处理时间序列数据而非传统的文本输入。我们引入了 sigllm，用于使用大语言模型进行时间序列异常检测的框架。我们的框架包括时间序列到文本转换模块以及用于执行时间序列异常检测的端到端管道。我们研究了两种测试大语言模型执行检测任务能力的范式。首先，我们提出了一种基于提示的检测方法，直接询问语言模型指示输入中哪些元素是异常。其次，我们利用大语言模型的预测能力来指导异常检测过程。我们在 11 个来自不同来源的数据集上评估了我们的框架和 10 条管道。我们显示，预测方法在所有 11 个数据集上相对于提示方法的 F1 分数显著优于提示方法。此外，尽管大语言模型能够发现异常，但最新的深度学习模型在性能上仍然优于大语言模型，后者的性能高出约 30%。
引用
@article{arxiv.2405.14755,
title = {Large language models can be zero-shot anomaly detectors for time series?},
author = {Sarah Alnegheimish and Linh Nguyen and Laure Berti-Equille and Kalyan Veeramachaneni},
journal= {arXiv preprint arXiv:2405.14755},
year = {2024}
}
备注
This work is accepted by IEEE International Conference on Data Science and Advanced Analytics (DSAA 2024)