ICLR 2025 | LLMs 能够理解时间序列异常吗？

主要观点总结

本文介绍了对大型语言模型（LLMs）在时序数据异常检测能力的研究。研究通过一系列实验验证了LLMs在处理时间序列数据时的表现，并探讨了不同假设的实证证据。文章还提供了实验设置、数据集构建、评估指标、基线方法等的详细介绍。

关键观点总结

关键观点1: 研究背景及目的

随着时序数据的增长，研究LLMs在时序数据异常检测方面的能力变得至关重要。文章旨在通过实证研究验证LLMs的相关假设，并探讨其在时间序列异常检测中的表现。

关键观点2: LLMs在时序数据中的表现

研究通过一系列实验发现，LLMs在处理时间序列数据时展现出了一定的能力，但也存在局限性。例如，LLMs在处理图像形式的时间序列数据时表现较好，但在处理长文本上下文时存在困难。

关键观点3: 实验设置与结果

研究使用了多种模型、数据集和评估指标进行实验。实验结果表明，LLMs在某些情况下可以优于传统的异常检测方法。同时，实验也验证了前文提出的假设，并揭示了LLMs在时间序列异常检测中的表现和局限性。

关键观点4: 主要发现与结论

研究的主要发现是LLMs在零样本时间序列异常检测中是一个合理的选择，但其在时间序列分析中的表现受到多种因素的影响，如输入表示方法、模型架构等。同时，研究也揭示了LLMs在理解时间序列模式方面的局限性和挑战。