ViTs：像人类专家一样教机器识别时间序列异常
机器学习
2025-10-07 v1
摘要
Web 服务管理员必须通过及时检测关键性能指标 (KPI) 中的异常来确保多个系统的稳定性。实现“一次训练，跨场景推理”的目标仍是时间序列异常检测模型的根本挑战。除提升零样本泛化能力外，这类模型还必须能灵活处理推理期间长度变化的序列，范围从一小时到一周，且无需重新训练。传统方法依赖滑动窗口编码和自监督学习，限制了推理为固定长度输入。大型语言模型 (LLM) 在通用领域展现了惊人的零样本能力。然而，应用于时间序列数据时，由于上下文长度限制，面临内在局限。为此，我们提出 ViTs，一种基于视觉-语言模型 (VLM) 的框架，将时间序列曲线转换为视觉表示。通过对时间序列图像进行缩放，保留了时间依赖性，同时保持一致的输入大小，从而在无上下文约束的情况下高效处理任意长度的序列。为此目的训练 VLM 引入独特挑战，主要源于对齐时间序列图像-文本数据的稀缺。为克服这一困难，我们采用进化算法自动生成数千个高质量的图像-文本对，并设计三阶段训练管道：（1）时间序列知识注入，（2）异常检测增强，（3）异常推理细化。广泛实验表明，ViTs 显著增强了 VLM 理解和检测时间序列异常的能力。所有数据集和代码将在 https://anonymous.4open.science/r/ViTs-C484/ 上公开。
引用
@article{arxiv.2510.04710,
title = {ViTs: Teaching Machines to See Time Series Anomalies Like Human Experts},
author = {Zexin Wang and Changhua Pei and Yang Liu and Hengyue Jiang and Quan Zhou and Haotian Si and Hang Cui and Jianhui Li and Gaogang Xie and Jingjing Li and Dan Pei},
journal= {arXiv preprint arXiv:2510.04710},
year = {2025}
}
备注
13 pages