LLM辅助逻辑规则学习：为时间序列异常检测扩展人类专家
机器学习
2026-01-28 v1 人工智能
摘要
时间序列异常检测对于供应链管理的主动运营至关重要，但面临挑战：基于数据模式的传统无监督异常检测方法往往产生与业务需求和领域知识不一致的结果，而人工专家分析无法扩展到数百万产品。我们提出一种框架，利用大语言模型（LLM）系统性地编码人类专家知识，以可解释的、基于逻辑的规则检测供应链时间序列数据中的异常模式。该方法包含三个阶段：1）LLM根据领域知识对训练数据进行标记，2）通过LLM驱动的优化自动生成和迭代改进符号规则，3）利用LLM支持的业务相关异常类别扩展规则，以提升可解释性。实验结果表明，我们的方法在检测准确率和可解释性方面均优于无监督学习方法。此外，与直接用于时间序列异常检测的LLM部署相比，我们的方法提供了一致、确定的结果，具有低计算延迟和成本，非常适合生产部署。该框架展示了LLM如何在操作环境中桥接可扩展自动化与专家驱动决策之间的差距。
引用
@article{arxiv.2601.19255,
title = {LLM-Assisted Logic Rule Learning: Scaling Human Expertise for Time Series Anomaly Detection},
author = {Haoting Zhang and Shekhar Jain},
journal= {arXiv preprint arXiv:2601.19255},
year = {2026}
}