LEARN-TS：LLM 增强的对齐和重建，具有正态性指导，用于多元时间序列异常检测

多元时间序列异常检测中的重建错误可能无法可靠地区分异常行为和良性偏差。语言衍生的语义提供了互补的上下文，但现有的多模态方法可能依赖于时间相关的配对文本信息，而这些信息很难一致地获得，并且标准的多元时间序列异常检测基准也无法提供。这种设置带来了两个挑战：（1）在特定于窗口的语义上调节屏蔽重建，而不暴露精确的数字目标或特定于异常的线索，以及（2）使用独立于窗口的正态性概念作为补充语义参考，而不是独立的异常检测器。我们提出了时间序列的LLM增强对齐和正态指导重建（LEARN-TS），它使用冻结语言模型来构建两个角色分离的语义表示，而不需要时间配对的外部文本。特定于窗口的观察语义对时间和跨变量上下文进行编码，无需精确的数值来指导通道共享的补丁掩码重建。固定的、与数据集无关的正态性提示提供了独立于窗口的语义参考，用于对齐正态表示和估计正态性差异。在推理时，屏蔽每个时间补丁一次会产生时间戳级别的重建证据，并通过与单独的未屏蔽视图的差异进行条件调制。在四个基准测试中，LEARN-TS 在 16 个数据集指标比较中的 13 个中实现了最高平均性能。受控消融检查观察条件、联合正态性对齐和评分以及参考内容，显示数据集相关的排名优势以及语义相对于随机参考的适度平均增益。