2025_NIPS_Delving into Large Language Models for Effective Time-Series Anomaly Detection

文章核心总结与创新点

主要内容

文章聚焦大语言模型（LLMs）在时间序列异常检测（TSAD）中的应用局限与优化方案。研究发现LLMs在TSAD中表现不佳的核心原因是两大挑战：难以理解复杂时间动态（如趋势与季节性叠加场景）、无法精准定位异常区间（依赖token计数导致定位误差）。为此，提出结合统计分解与索引感知提示的方法，通过去季节性处理增强异常可见性，通过显式嵌入位置索引简化定位任务。实验表明，该方法在AnomLLM基准上超越21种现有提示策略，F1分数最高提升66.6%，且在TSB-AD基准中展现出LLMs在上下文推理场景的独特优势，同时也指出LLMs在实时性上的 latency 短板。

创新点

1. 首次系统拆解TSAD任务为“时间序列理解”和“异常定位”两大子任务，精准定位LLMs的核心失效模式。
2. 提出轻量型统计分解（仅去除季节性成分）与索引感知提示结合的方案，无需额外训练即可显著提升性能。
3. 验证了LLMs虽难以自主完成时间序列分解，但能判断是否需要调用外部分解工具，为工具增强型LLM在TSAD中的应用提供新思路。
4. 系统对比LLMs与16种非LLM基线模型，明确LLMs在上下文过滤已知异常等场景的实用价值。

---

英文原文翻译（Markdown格式）

Abstract

近年来，将大语言模型（LLMs）应用于时间序列异常检测（TSAD）的尝试成效有限，其性能甚至常不