论文
让大语言模型编写您的异常检测器：自主发现紧凑、可解释的时间序列检测器
Have an LLM Write Your Anomaly Detector: Autonomous Discovery of Compact, Interpretable Detectors for Time Series
摘要
时间序列异常检测需要权衡预测准确性、计算效率和可解释性。我们使用大语言模型不是作为检测器，而是作为检测器的作者：一个自主研究循环，其中模型在无泄漏目标下重复编辑单个短 NumPy 程序，保留它找到的最佳得分检测器。该循环发现两个紧凑的检测器，一个用于单变量，一个用于多变量序列，它们通过局部光谱特征描述短窗口，并通过协方差感知距离将它们与训练区域分布进行比较。在 TSB-AD 基准测试中，这些检测器在各个指标上处于领先地位，领先于包括 Time-RCD 在内的最强经典、深度和基础模型基线，但它们不训练网络，也不使用 GPU，并且多变量检测器比每个类似性能的基线更快。因此，大语言模型驱动的程序搜索是实现准确、高效和透明检测器的实用途径。