LLM для обнаружения аномалий во временных рядах: новый метод использует частотную область
**⚠️ Status: preprint This article is based on a preprint published on arXiv. The work may not have undergone independent peer review. Conclusions reflect the authors' position.
LLM для обнаружения аномалий во временных рядах: новый метод использует частотную область
Кратко: Исследователи предложили метод zero-shot обнаружения аномалий во временных рядах (TSAD), который дополняет стандартные доказательства во временной области компактными спектральными данными, полученными с помощью быстрого преобразования Фурье (FFT). Метод протестирован на нескольких LLM, включая GPT-4o и Gemini-2.5-Flash.
Что произошло
В новой научной работе, опубликованной на arXiv, представлен фреймворк evidence-augmented zero-shot TSAD. Авторы отмечают, что существующие методы на основе LLM в основном анализируют временную область (индексированные значения, графики, сезонные представления), оставляя спектральную структуру неявной. Предложенный подход сохраняет десезонализированные наблюдения и добавляет компактные частотные доказательства, вычисленные с помощью FFT. Доказательства строятся на двух уровнях разрешения:
- Глобальные частотные доказательства: обобщают периодический контекст на уровне всей последовательности.
- Локальные частотные доказательства: фиксируют спектральные отклонения, локализованные во времени.
Эксперименты проводились на фреймворке AnomLLM с моделями InternVL2-LLaMA3-76B, Qwen2.5-VL-72B-Instruct, Gemini-2.5-Flash и GPT-4o. Оценка выполнялась на наборе данных TSB-AD-U.
Что изменилось по сравнению с предыдущей версией
Предыдущие LLM-методы TSAD фокусировались на временной области, оставляя спектральную информацию неявной. Новый подход впервые явно добавляет частотные доказательства, что позволяет выявлять аномалии, связанные с изменениями в повторяющейся временной структуре, такие как смещенная периодичность или локализованные колебания.
Цены и доступность
На момент публикации информация о ценах и доступности не раскрыта. Исследование опубликовано в виде препринта arXiv и не прошло рецензирование.
Почему это важно
Работа демонстрирует новый способ интеграции спектрального анализа в LLM для задач TSAD, что потенциально повышает точность обнаружения сложных аномалий. Использование zero-shot подхода без дообучения снижает порог внедрения.
Для пользователей AI-Sphere
Метод может быть полезен для задач мониторинга и анализа данных, где важна чувствительность к изменениям периодичности, например, в финансах, промышленности или IoT. Пользователи могут обратить внимание на обновления карточек моделей GPT-4o и Gemini-2.5-Flash в каталоге AI-Sphere для отслеживания появления подобных возможностей.
Источники