Large language models can be zero-shot anomaly detectors for time series?

最近的研究表明，大型语言模型能够执行各种任务，包括时间序列预测。这些模型的灵活性使它们可以用于许多应用。在本文中，我们提出了一项新颖的研究，探讨了大型语言模型用于时间序列异常检测这一具有挑战性的任务。这个问题包括两个方面，这对LLMs来说是新颖的：模型需要识别输入序列（或多个部分）中的异常部分，以及需要处理时间序列数据而不是传统的文本输入。我们引入了sigllm，这是一个使用大型语言模型进行时间序列异常检测的框架。我们的框架包括一个时间序列转文本的模块，以及端到端的流水线，提示语言模型执行时间序列异常检测。我们研究了两种范式来测试大型语言模型执行检测任务的能力。首先，我们提出了一种基于提示的检测方法，直接要求语言模型指示输入中哪些元素是异常的。其次，我们利用大型语言模型的预测能力来指导异常检测过程。我们在涵盖各种来源的11个数据集和10个流水线上评估了我们的框架。我们表明，预测方法在所有11个数据集中相对于F1得分明显优于提示方法。此外，虽然大型语言模型能够发现异常，但最先进的深度学习模型在性能上仍然优于大型语言模型，其结果比大型语言模型好30%。

论文旨在探究大型语言模型在时间序列异常检测中的应用能力，并比较其与深度学习模型的性能差异。

论文提出了sigllm框架，将时间序列数据转化为文本输入，并通过两种方法（直接询问和预测引导）引导大型语言模型进行异常检测。

论文在11个数据集上进行了实验，展示了sigllm框架的有效性。同时，论文也指出，虽然大型语言模型能够发现异常，但与深度学习模型相比，性能还有提升空间。

近期相关研究包括利用深度学习模型进行时间序列异常检测的论文，如《Deep Learning for Anomaly Detection: A Survey》和《A Deep Learning Framework for Unsupervised Anomaly Detection in Time Series》。