Fugu-MT 論文翻訳(概要): Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback

論文の概要: Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback

arxiv url: http://arxiv.org/abs/2507.15066v2
Date: Fri, 01 Aug 2025 13:03:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 14:06:53.560676
Title: Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback
Title（参考訳）: Time-RA: LLMフィードバックによる異常の時系列推論に向けて
Authors: Yiyuan Yang, Zichuan Liu, Lei Song, Kai Ying, Zhiguang Wang, Tom Bamford, Svitlana Vyetrenko, Jiang Bian, Qingsong Wen,
Abstract要約: Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
参考スコア（独自算出の注目度）: 22.206380618075183
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Time series anomaly detection is critical across various domains, yet current approaches often limit analysis to mere binary anomaly classification without detailed categorization or further explanatory reasoning. To address these limitations, we propose a novel task, Time-series Reasoning for Anomaly (Time-RA) that transforms classical time series anomaly detection from a discriminative into a generative, reasoning-intensive task leveraging Large Language Models (LLMs). Also, we introduce the first real-world multimodal benchmark dataset, RATs40K, explicitly annotated for anomaly reasoning, comprising approximately 40,000 samples across 10 real-world domains. Each sample includes numeric time series data, contextual text information, and visual representations, each annotated with fine-grained categories (14 types for univariate anomalies and 6 for multivariate anomalies) and structured explanatory reasoning. We develop a sophisticated annotation framework utilizing ensemble-generated labels refined through GPT-4-driven feedback, ensuring accuracy and interpretability. Extensive benchmarking of LLMs and multimodal LLMs demonstrates the capabilities and limitations of current models, highlighting the critical role of supervised fine-tuning. Our dataset and task pave the way for significant advancements in interpretable time series anomaly detection and reasoning. The code (https://github.com/yyysjz1997/Time-RA) and dataset (https://huggingface.co/datasets/Time-RA/RATs40K) have been fully open-sourced to support and accelerate future research in this area.
Abstract（参考訳）: 時系列異常検出は、様々な領域で重要であるが、現在のアプローチでは、詳細な分類や説明的推論なしに、単なるバイナリ異常分類に制限されることが多い。これらの制約に対処するために,従来の時系列異常検出を識別対象から大規模言語モデル(LLM)を活用した生成的推論集約タスクに変換する,時系列異常推論(Time-RA)という新しいタスクを提案する。また、実世界の10のドメインに約40,000のサンプルを含む、異常推論のために明示的に注釈付けされた最初の実世界のマルチモーダルベンチマークデータセットであるRATs40Kを紹介した。各サンプルは、数値時系列データ、文脈テキスト情報、視覚表現を含み、それぞれ細粒度のカテゴリ(単変量異常14種、多変量異常6種)と構造化説明推論を含む。我々は,GPT-4によるフィードバックによって改良されたアンサンブル生成ラベルを利用した高度なアノテーションフレームワークを開発し,精度と解釈可能性を確保する。 LLMとマルチモーダルLCMの大規模なベンチマークは、現在のモデルの能力と限界を示し、教師付き微調整の重要な役割を浮き彫りにした。我々のデータセットとタスクは、解釈可能な時系列異常の検出と推論において、大幅に進歩する道を開く。コード(https://github.com/yysjz1997/Time-RA)とデータセット(https://huggingface.co/datasets/Time-RA/RATs40K)が完全にオープンソース化され、この分野の今後の研究を支援し加速している。

関連論文リスト

Can Multimodal LLMs Perform Time Series Anomaly Detection? [55.534264764673296]
時系列異常検出(TSAD)におけるMLLM評価のためのVisualTimeAnomalyベンチマークを提案する。提案手法は時系列の数値データを画像形式に変換し,これらの画像を様々なMLLMにフィードする。 VisualTimeAnomalyには3つのシナリオと3つの異常な粒度の12.4kの時系列イメージがあり、8つのMLLMに9つの異常型がある。
論文参考訳（メタデータ） (2025-02-25T03:37:43Z)
General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
論文参考訳（メタデータ） (2025-02-05T15:20:04Z)
See it, Think it, Sorted: Large Multimodal Models are Few-shot Time Series Anomaly Analyzers [23.701716999879636]
時系列データの急激な増加に伴い,時系列異常検出(TSAD)はますます重要になりつつある。本稿では,TMA(Time Series Anomaly Multimodal Analyzer)と呼ばれる先駆的なフレームワークを導入し,異常の検出と解釈を両立させる。
論文参考訳（メタデータ） (2024-11-04T10:28:41Z)
Deep Time Series Models: A Comprehensive Survey and Benchmark [74.28364194333447]
時系列データは、現実世界のシナリオにおいて非常に重要である。近年、時系列コミュニティで顕著なブレークスルーが見られた。多様な分析タスクのためのディープ時系列モデルの公正なベンチマークとして、時系列ライブラリ(TSLib)をリリースします。
論文参考訳（メタデータ） (2024-07-18T08:31:55Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文参考訳（メタデータ） (2024-01-11T10:10:16Z)
CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
論文参考訳（メタデータ） (2023-08-18T04:45:56Z)
TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
論文参考訳（メタデータ） (2022-10-18T09:08:57Z)
Neural Contextual Anomaly Detection for Time Series [7.523820334642732]
本稿では,時系列における異常検出のためのフレームワークであるNeural Contextual Anomaly Detection (NCAD)を紹介する。 NCADは教師なし設定から教師なし設定までシームレスにスケールする。我々は,提案手法が最先端の性能を得るための標準ベンチマークデータセットを実証的に実証した。
論文参考訳（メタデータ） (2021-07-16T04:33:53Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。 1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文参考訳（メタデータ） (2020-09-04T07:46:19Z)
A Causal-based Framework for Multimodal Multivariate Time Series Validation Enhanced by Unsupervised Deep Learning as an Enabler for Industry 4.0 [0.0]
マルチレベルコンテキスト異常検出のための概念検証フレームワークを開発した。長期記憶オートエンコーダの評価を成功させ、高炉の複数の資産に関連する文脈の学習された表現を検証する。プロセス産業に適用された非教師なし根本原因分析の実現手段として、因果発見と表現学習を組み合わせた研究ロードマップが特定されている。
論文参考訳（メタデータ） (2020-08-05T14:48:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。