Key points are not available for this paper at this time.
Nous investiguons une approche novatrice pour la modélisation des séries temporelles, inspirée par les succès des grands modèles de fond pré-entraînés. Nous introduisons FAE (Foundation Auto-Encoders), un modèle génératif d'IA de fond pour la détection d'anomalies dans les données de séries temporelles, basé sur les Auto-Encodeurs Variationnels (VAEs). Par modèle de fond (FM), nous entendons un modèle pré-entraîné sur d'énormes quantités de données de séries temporelles capable d'apprendre des motifs temporels complexes utiles pour une modélisation et une prévision précises sur des ensembles de données jamais vus auparavant. FAE s'appuie sur des VAEs et des Réseaux de Neurones Convolutionnels Dilationnés (DCNNs) pour construire un modèle générique pour la modélisation des séries temporelles, qui pourrait éventuellement fonctionner correctement dans des applications de détection d'anomalies dès la première utilisation et sans formation préalable. Nous introduisons les principaux concepts et idées de ce FM pour les séries temporelles (TSFM), et présentons quelques résultats préliminaires sur un ensemble de données de surveillance de réseau mobile multidimensionnel. Nous présentons également des résultats d'exemple appliquant de nouveaux TSFMs à cet ensemble de données, à la fois de manière zéro-shot et en s'appuyant sur un ajustement fin, et montrons à quel point il est complexe dans la pratique d'obtenir des résultats précis.
González et al. (Mar,) ont étudié cette question.