Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback

Created by
  • Haebom

作者

Yiyuan Yang, Zichuan Liu, Lei Song, Kai Ying, Zhiguang Wang, Tom Bamford, Svitlana Vyetrenko, Jiang Bian, Qingsong Wen

概要

本論文は、従来のバイナリ分類にとどまる時系列異常検出の限界を克服するために、大規模言語モデル(LLM)を活用して時系列異常現象に対する生成的かつ推論中心的な新たな課題であるTime-RA(Time-series Reasoning for Anomaly)を提案します。約40,000の実世界データで構成されたマルチモードベンチマークデータセットRATs40Kを紹介し、各サンプルには数値時系列データ、文脈情報テキスト、視覚的表現とともに細分化された異常タイプ（1変量14、多変量6​​つ）と構造化された説明的推論が含まれています。 GPT-4ベースの洗練されたアノテーションフレームワークにより、正確性と解析性を確保し、LLMとマルチモードLLMの広範なベンチマーキングにより、現在のモデルの性能と限界を示し、地図学習ベースの微調整の重要性を強調します。データセットとコードを公開し、今後の研究を支援します。

Takeaways、Limitations

•
Takeaways:
◦
既存のバイナリ分類異常検出から逸脱し、異常現象の細分化された分類および説明的推論を可能にする新しいTime-RA課題を提示する。
◦
実世界データに基づくマルチモーダル（数値、テキスト、視覚）時系列異常検出ベンチマークデータセットRATs40K公開。
◦
GPT-4ベースの洗練された注釈フレームワークを介して高品質のデータセットを構築します。
◦
LLMとマルチモードLLMの性能評価による今後の研究方向の提示
◦
コードとデータセットの開示による研究の活性化。
•
Limitations:
◦
現在のモデルの性能と限界の詳細な分析が不足している可能性があります。
◦
RATs40Kデータセットの一般化パフォーマンスの追加検証が必要です。
◦
様々な種類の時系列データへの適用性に関するさらなる研究が必要
👍
Made with Slashpage