TriP-LLM：面向时间序列异常检测的三分支分块大语言模型框架
摘要
时间序列异常检测在广泛的应用领域中发挥核心作用。随着物联网（IoT）和智能制造的不断普及，时间序列数据在规模和维度上都呈现显著增长。这种增长暴露了传统统计方法在处理此类数据高异质性和复杂性方面的局限。灵感来源于近期大语言模型（LLM）在语言和视觉领域中处理多模态任务方面的成功，我们提出了一种新型无监督异常检测框架：三分支分块大语言模型框架用于时间序列异常检测（TriP-LLM）。TriP-LLM通过由Patching、Selecting和Global三个模块组成的三分支设计，将输入时间序列编码为分块表征，然后由冻结的预训练LLM处理。一个轻量级的分块解码器从输入中重建数据，据此推导出异常得分。我们使用PATE（一种近期提出的无阈值评估指标）在几个公共基准数据集上评估了TriP-LLM，并在统一的开源框架内进行所有比较，以确保公平性。实验结果显示，TriP-LLM在所有数据集上均一致优于最新SOTA方法，显示出强大的检测能力。此外，通过大量消融研究，我们验证了LLM对整个架构的重要贡献。相较于采用通道独立（Channel Independence, CI）分块处理的LLM方法，TriP-LLM在内存消耗方面显著降低，更适用于GPU内存受限的环境。所有TriP-LLM的代码和模型检查点均公开于https://github.com/YYZStart/TriP-LLM.git。
引用
@article{arxiv.2508.00047,
title = {TriP-LLM: A Tri-Branch Patch-wise Large Language Model Framework for Time-Series Anomaly Detection},
author = {Yuan-Cheng Yu and Yen-Chieh Ouyang and Chun-An Lin},
journal= {arXiv preprint arXiv:2508.00047},
year = {2025}
}
备注
Accepted version of the paper published in IEEE Access (2025). Licensed under a Creative Commons Attribution 4.0 License (CC BY 4.0). Published version available at IEEE Xplore