RATFM：用于异常检测的检索增强时间序列基础模型
机器学习
2025-06-04 v1 人工智能
摘要
受大语言模型（LLM）在自然语言处理中取得成功的启发，近期研究探索了时间序列基础模型的构建，并将其应用于预测、分类和异常检测等任务。然而，它们在不同领域和任务之间的性能存在差异。在基于 LLM 的方法中，由于再训练成本高昂，使用基于示例的提示进行测试时适应已变得普遍。在异常检测（这是本研究的重点）的背景下，提供来自目标领域的正常样本也可能有效。然而，时间序列基础模型并不能自然地获得解释或利用示例或指令的能力，因为训练期间使用的时间序列数据的性质并不能促进此类能力。为了解决这一局限性，我们提出了一种检索增强时间序列基础模型（RATFM），使预训练的时间序列基础模型能够结合测试时适应的示例。我们表明，RATFM 实现了与领域内微调相当的性能，同时避免了依赖领域的微调。在 UCR Anomaly Archive（一个包含九个领域的多领域数据集）上的实验证实了所提出方法的有效性。
引用
@article{arxiv.2506.02081,
title = {RATFM: Retrieval-augmented Time Series Foundation Model for Anomaly Detection},
author = {Chihiro Maru and Shoetsu Sato},
journal= {arXiv preprint arXiv:2506.02081},
year = {2025}
}