论文
ChatAD：经多轮指令进化的推理增强时间序列异常检测
ChatAD: Reasoning-Enhanced Time-Series Anomaly Detection with Multi-Turn Instruction Evolution
摘要
LLM 驱动的异常检测（AD）有助于增强对时间序列（TS）中异常行为的理解与解释能力。现有方法面临推理能力不足、多轮对话能力欠缺与泛化面窄的挑战。为此，我们 1) 提出基于多智能体的 TS 进化算法 TSEvol。在此基础上，2) 引入 AD 推理与多轮对话数据集 TSEData-20K，并贡献面向 AD 的 Chatbot 家族，包括 ChatAD-Llama3-8B、Qwen2.5-7B 与 Mistral-7B。此外，3) 我们提出 TS Kahneman-Tversky Optimization（TKTO）以增强 ChatAD 的跨任务泛化能力。最后，4) 我们提出 LLM 驱动的基于学习的 AD 基准 LLADBench，在七个数据集与任务上评估 ChatAD 与九个基线的性能。我们的三个 ChatAD 模型取得可观收益：准确率最高提升 34.50%，F1 最高提升 34.71%，误报最多减少 37.42%。此外，经由 TKTO，优化后的 ChatAD 在分类、预测与插补任务的推理与跨任务泛化上取得有竞争力的表现。
