论文地址：https://arxiv.org/abs/2405.15370 (opens new window)

亮点

• 利用大语言模型对时间序列进行异常检测
• 不需要对大语言模型进行微调
• 设计了一个用大模型进行时间序列异常检测的完整流程

总之，值得一看

摘要

时间序列异常检测（TSAD）通过识别偏离标准趋势的非典型模式，从而保持系统完整性并实现快速响应措施，在各个行业中发挥着至关重要的作用。传统的TSAD模型通常依赖于深度学习，需要大量的训练数据，并且作为黑匣子运行，缺乏对检测到的异常的可解释性。为了应对这些挑战，我们提出了LLMAD，这是一种新的TSAD方法，它使用大型语言模型（LLM）来提供准确和可解释的TSAD结果。LLMAD通过检索正和负相似的时间序列片段，创新性地将LLM应用于上下文异常检测，显著提高了LLM的有效性。此外，LLMAD采用异常检测思想链（AnoCoT）方法来模拟其决策过程的专家逻辑。这种方法进一步提高了其性能，并使LLMAD能够通过多角度为其检测提供解释，这对用户决策尤为重要。在三个数据集上的实验表明，我们的LLMAD实现了与最先进的深度学习方法相当的检测性能，同时为检测提供了显著的可解释性。据我们所知，这是TSAD首次直接使用LLM的工作。

方法

时间序列数据预处理

为了让大模型更易分析输入的时间序列数据，作者首先对输入的时间序列进行了预处理

预处理的步骤如下：

• 重缩放（Rescaling）：将序列的数值转换成大语言模型易于理解的范围
• 设置索引（Indexing）：按照时间顺序为每个时间点设置索引，用于之后异常点的报告与分析

时间序列情景学习（Time Series ICL）

首先将已有的时间序列数据分为正常数据库以及异常数据库，对于输入的时间序列，通过FastDTW算法计算它在两个数据库中最相似的其他正常或异常序列，并将它们输出并排列，以为大模型提供正常或异常数据的参考。

异常检测思维链（AnoCoT）

用CoT提示技术指导大语言模型逐步推理。原文提示模板如下：

其中引入了领域专家知识（异常类型定义、异常级别定义等内容）、思维链提示、情景提示（之前检索的数据）

可解释的时间序列异常检测

让大语言模型生成全面的异常检测报告，从异常解释、异常类型、警告等级这三个方面进行。