用于时间序列异常检测的LLM生成特征池

我们研究一个简单统计流水线在严格选择协议下单变量时间序列异常检测能走多远。该方法在滑动窗口上提取少量统计量池，用转导鲁棒（MAD）模型为每个窗口打分，并在留出的调优划分上为每个领域选择特征子集。在TSB-AD-U上，其逐序列VUS-PR达到0.529，高于公开排行榜上最佳的神经方法（0.45）与统计方法（0.44），与最强的预训练基础模型相差0.06以内，而后者中若干方法使用了比我们更多的监督。消融定位了成因：在三种选择策略与事后神谕之间，分数仅波动0.031；在聚合网格之间波动0.096；而更换候选池则使分数变动0.226。候选池决定上限，对池的搜索是次要因素。因此，我们通过向多模态LLM提供该领域的上下文示例窗口来提示其生成逐领域特征池。在相同选择协议下，生成池与手工池相当，且两者覆盖不同领域：在其并集上选择，在全部十二个生成器-种子组合中均优于生成池，并将流水线提升至0.588，追平排行榜最佳成绩。