LLM 增强型变点检测：面向集成检测与自动解释的框架
计算与语言
2026-03-20 v3
摘要
本文提出一种新颖的变点检测框架，将集成统计方法与大型语言模型 (LLM) 结合，以提升变点检测的准确性和解释的可解释性。本领域存在两个关键局限性。首先，单个检测方法在数据特征不同的情况下具有互补的优势与不足，使得方法选择不为人知，容易导致次优结果。其次，针对检测到的变化的自动化、上下文解释在实际应用中严重缺失。我们提出的集成方法聚合来自十个不同变点检测算法的结果，实现了优于单个方法的优越性能和鲁棒性。此外，一个由 LLM 提供动力的解释管道自动生成情境叙事，将检测到的变点与潜在的真实世界历史事件关联。对于私有或特定领域的数据，提供基于检索增强生成 (RAG) 的解决方案，可实现基于用户提供文档的解释。该开源 Python 框架在 finance、political science 和 environmental science 等多个领域展现了实际效用，将原始统计输出转化为分析师和决策者可行动的洞察。
引用
@article{arxiv.2601.02957,
title = {LLM-Augmented Changepoint Detection: A Framework for Ensemble Detection and Automated Explanation},
author = {Fabian Lukassen and Christoph Weisser and Michael Schlee and Manish Kumar and Anton Thielmann and Benjamin Saefken and Alexander Silbersdorff and Thomas Kneib},
journal= {arXiv preprint arXiv:2601.02957},
year = {2026}
}