看它、思它、分类它：大多模态模型是少样本时间序列异常分析器
机器学习
2024-11-06 v1 人工智能
机器学习
摘要
由于各领域时间序列数据的快速增长，时间序列异常检测（TSAD）正变得日益重要。例如，Web 服务数据中的异常可能预示系统故障或服务器失灵等重大事件，需要及时检测与响应。然而，大多数现有的 TSAD 方法严重依赖人工特征工程或需要大量标注训练数据，同时提供的可解释性也有限。为应对这些挑战，我们提出了一种开创性框架——时间序列异常多模态分析器（TAMA），它利用大多模态模型（LMM）的能力来增强时间序列数据中异常的检测与解释。通过将时间序列转换为 LMM 可高效处理的视觉格式，TAMA 利用少样本上下文学习能力来减少对大量标注数据集的依赖。我们的方法在多个真实数据集上通过严格实验得到验证，TAMA 在 TSAD 任务中持续优于最先进方法。此外，TAMA 提供了丰富的基于自然语言的语义分析，从而更深入地揭示检测到的异常的本质。此外，我们贡献了首批包含异常检测标签、异常类型标签和上下文描述的开源数据集之一，促进了这一关键领域的广泛探索与进展。最终，TAMA 不仅在异常检测方面表现出色，还提供了理解异常潜在原因的全面方法，通过创新方法和洞察推动 TSAD 的发展。
引用
@article{arxiv.2411.02465,
title = {See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers},
author = {Jiaxin Zhuang and Leon Yan and Zhenwei Zhang and Ruiqi Wang and Jiawei Zhang and Yuantao Gu},
journal= {arXiv preprint arXiv:2411.02465},
year = {2024}
}
备注
Under review