大型语言模型可实现准确且可解释的时间序列异常检测
计算与语言
2024-05-27 v1
摘要
时间序列异常检测（TSAD）在各行业中发挥着关键作用，通过识别偏离标准趋势的异常模式，从而维护系统完整性并实现快速响应。传统的TSAD模型通常依赖深度学习，需要大量训练数据且作为黑箱运行，缺乏对检测到的异常的可解释性。为解决这些挑战，我们提出了LLMAD（Large Language Models for Anomaly Detection），一种新颖的TSAD方法，运用大型语言模型（LLM）提供准确且可解释的TSAD结果。LLMAD创新性地通过检索正负相似的时间序列片段，应用于LLM的上下文中进行异常检测，显著提升了LLM的有效性。此外，LLMAD采用异常检测链式思维（Anomaly Detection Chain-of-Thought, AnoCoT）方法，模拟专家逻辑进行决策。该方法进一步提升了性能，使LLMAD能够通过多种角度提供检测解释，这对于用户决策尤为重要。在三个数据集上的实验表明，LLMAD的检测性能与最先进的深度学习方法相当，同时为检测提供了显著的可解释性。据我们所知，这是首次直接运用LLM进行TSAD的工作。
引用
@article{arxiv.2405.15370,
title = {Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection},
author = {Jun Liu and Chaoyun Zhang and Jiaxu Qian and Minghua Ma and Si Qin and Chetan Bansal and Qingwei Lin and Saravan Rajmohan and Dongmei Zhang},
journal= {arXiv preprint arXiv:2405.15370},
year = {2024}
}