Time-RA：基于LLM反馈进行时间序列异常诊断的推理
机器学习
2026-04-17 v5 人工智能
多媒体
摘要
时间序列异常检测（TSAD）传统上专注于二元分类，往往缺乏细粒度的分类和解释性推理，以满足透明决策需求。为此，我们提出Time-series Reasoning for Anomaly（Time-RA），一种将TSAD从判别范式重新表述为生成式、推理密集型范式的新任务。为支持这一目标，我们引入RATs40K，即首个规模约4万个样本、覆盖10个领域的真实世界大规模多模态基准数据集，集成原始时间序列、文本上下文和可视化图表，并包含结构化推理标注。广泛的基准测试表明，虽然监督式微调和视觉表征能提升诊断准确率和推理一致性，但在复杂情境下的表现存在差异。值得注意的是，微调后的模型显示出强大的即插即用迁移能力，在未见的真实世界数据集上超越传统基线方法。我们的工作为可解释的多模态时间序列分析奠定了基础。所有代码（https://github.com/yyysjz1997/Time-RA）和RATs40K数据集（https://huggingface.co/datasets/Time-RA/RATs40K）均完全开源，以促进未来研究。
引用
@article{arxiv.2507.15066,
title = {Time-RA: Towards Time Series Reasoning for Anomaly Diagnosis with LLM Feedback},
author = {Yiyuan Yang and Zichuan Liu and Lei Song and Kai Ying and Zhiguang Wang and Tom Bamford and Svitlana Vyetrenko and Jiang Bian and Qingsong Wen},
journal= {arXiv preprint arXiv:2507.15066},
year = {2026}
}
备注
ACL 2026 Findings. 27 pages, 11 figures, 15 tables. Code and dataset are publicly available