AXIS: Erklärbare Anomalieerkennung in Zeitreihen mit großen Sprachmodellen

Die Anomalieerkennung in Zeitreihen (TSAD) verlangt zunehmend Erklärungen, die nicht nur angeben, ob eine Anomalie aufgetreten ist, sondern auch, welches Muster sie aufweist und warum es anomal ist. Durch die beeindruckenden Erklärungsfähigkeiten großer Sprachmodelle (LLMs) haben aktuelle Arbeiten versucht, Zeitreihen als Text für erklärbare TSAD zu behandeln. Dieser Ansatz steht jedoch vor der grundlegenden Herausforderung: LLMs arbeiten mit diskreten Tokens und haben Schwierigkeiten, lange, kontinuierliche Signale direkt zu verarbeiten. Folglich leidet die naive Zeit-zu-Text-Serialisierung unter einem Mangel an kontextueller Verankerung und Repräsentationsausrichtung zwischen den beiden Modalitäten. Um diese Lücke zu schließen, stellen wir AXIS vor, ein Rahmenwerk, das ein gefrorenes LLM für ein nuanciertes Verständnis von Zeitreihen konditioniert. Anstelle einer direkten Serialisierung bereichert AXIS die Eingabe des LLM mit drei komplementären Hinweisen, die aus der Reihe abgeleitet sind: (i) ein symbolischer numerischer Hinweis für numerische Verankerung, (ii) ein kontext-integrierter, schrittlich ausgerichteter Hinweis, der aus einem vortrainierten Zeitreihen-Encoder destilliert wurde, um feinere Dynamiken zu erfassen, und (iii) ein aufgabenpriorisierender Hinweis, der globale Anomaliecharakteristika kodiert. Darüber hinaus stellen wir zur Unterstützung einer robusten Bewertung der Erklärbarkeit ein neues Benchmark vor, das mehrformatige Fragen und Begründungen enthält, die die kontextuelle Verankerung und die Muster-Ebene-Semantik überwachen. Umfassende Experimente, einschließlich sowohl LLM-gestützter als auch menschlicher Bewertungen, zeigen, dass AXIS Erklärungen von signifikant höherer Qualität liefert und eine wettbewerbsfähige Erkennungsgenauigkeit im Vergleich zu allgemein verwendbaren LLMs, spezialisierten Zeitreihen-LLMs und Zeitreihen Vision Language Models erreicht.