論文の概要: SPEAR: Soft Prompt Enhanced Anomaly Recognition for Time Series Data

• arxiv url: http://arxiv.org/abs/2510.03962v1
• Date: Sat, 04 Oct 2025 22:20:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.360277
• Title: SPEAR: Soft Prompt Enhanced Anomaly Recognition for Time Series Data
• Title（参考訳）: SPEAR: 時系列データに対するソフトプロンプトによる異常認識
• Authors: Hanzhe Wei, Jiajun Wu, Jialin Yang, Henry Leung, Steve Drew,
• Abstract要約: 時系列異常検出は、医療やインターネットトラフィック監視など、幅広い分野において重要な役割を果たす。 大規模言語モデル(LLM)の出現は、ユビキタス時系列データの異常を検出する新たな機会を提供する。 ソフトプロンプト・エンハンスメント・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマ
• 参考スコア（独自算出の注目度）: 15.670885465827206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series anomaly detection plays a crucial role in a wide range of fields, such as healthcare and internet traffic monitoring. The emergence of large language models (LLMs) offers new opportunities for detecting anomalies in the ubiquitous time series data. Traditional approaches struggle with variable-length time series sequences and context-based anomalies. We propose Soft Prompt Enhanced Anomaly Recognition (SPEAR), a novel approach to leverage LLMs for anomaly detection with soft prompts and quantization. Our methodology involves quantizing and transforming the time series data into input embeddings and combining them with learnable soft prompt embeddings. These combined embeddings are then fed into a frozen LLM. The soft prompts are updated iteratively based on a cross-entropy loss, allowing the model to adapt to time series anomaly detection. The use of soft prompts helps adapt LLMs effectively to time series tasks, while quantization ensures optimal handling of sequences, as LLMs are designed to handle discrete sequences. Our experimental results demonstrate that soft prompts effectively increase LLMs' performance in downstream tasks regarding time series anomaly detection.
• Abstract（参考訳）: 時系列異常検出は、医療やインターネットトラフィック監視など、幅広い分野において重要な役割を果たす。 大規模言語モデル(LLM)の出現は、ユビキタス時系列データの異常を検出する新たな機会を提供する。 従来のアプローチでは、変数長の時系列シーケンスとコンテキストベースの異常に苦労する。 ソフトプロンプト・エンハンスメント・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノマリー・アノ 我々の手法は時系列データを入力埋め込みに量子化し変換し、学習可能なソフトプロンプト埋め込みと組み合わせることである。 これらの複合埋め込みは凍結LDMに供給される。 ソフトプロンプトはクロスエントロピー損失に基づいて反復的に更新され、時系列異常検出に適応する。 ソフトプロンプトの使用は、LLMを時系列タスクに効果的に適応させるのに役立ち、量子化は、LLMが離散シーケンスを処理するように設計されているため、シーケンスの最適なハンドリングを保証する。 実験の結果, 時系列異常検出に関する下流タスクにおいて, ソフトプロンプトはLLMの性能を効果的に向上させることがわかった。

関連論文リスト

• Semantic-Enhanced Time-Series Forecasting via Large Language Models [20.383296465541758]
  時系列予測は、金融、エネルギー、気象学、IoTアプリケーションにおいて重要な役割を果たす。 近年,大規模言語モデル(LLM)の一般化機能を活用して時系列予測に適応し,有望な性能を実現している。 本稿では,時系列の固有周期性と異常特性を探索し,意味空間に埋め込むセマンティック拡張LDM(SE-LLM)を提案する。
  論文  参考訳（メタデータ） (2025-08-11T07:19:21Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  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。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• Forecasting Time Series with LLMs via Patch-Based Prompting and Decomposition [48.50019311384125]
  我々は、LLMが広範囲のトレーニングを伴わずに時系列予測を行うことのできる、シンプルで柔軟なプロンプトベースの戦略を探求する。 我々は,LLMが正確かつ効果的に予測できるPatchInstructを提案する。
  論文  参考訳（メタデータ） (2025-06-15T19:42:58Z)
• LLM-PS: Empowering Large Language Models for Time Series Forecasting with Temporal Patterns and Semantics [56.99021951927683]
  Time Series Forecasting (TSF) は、金融計画や健康モニタリングなど、多くの現実世界のドメインにおいて重要である。 既存のLarge Language Models (LLM) は通常、時系列データ固有の特性を無視するため、非最適に実行する。 時系列データから基本的なtextitPatterns と有意義な textitSemantics を学習し,TLF のための LLM-PS を提案する。
  論文  参考訳（メタデータ） (2025-03-12T11:45:11Z)
• 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)
• Hierarchical Multimodal LLMs with Semantic Space Alignment for Enhanced Time Series Classification [4.5939667818289385]
  HiTimeは階層的なマルチモーダルモデルであり、時間的情報を大きな言語モデルにシームレスに統合する。 本研究は, 時間的特徴をLCMに組み込むことにより, 時系列解析の進歩に寄与する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-24T12:32:19Z)
• Can LLMs Serve As Time Series Anomaly Detectors? [33.28502093260832]
  大規模言語モデル(LLM)における新たなトピックは、時系列予測への応用である。 本稿では,LLM,特にGPT-4とLLaMA3の時系列における異常の検出・説明能力について検討する。
  論文  参考訳（メタデータ） (2024-08-06T23:14:39Z)
• Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
  時系列予測は多くの実世界の力学系において重要な意味を持つ。 時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。 Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
  論文  参考訳（メタデータ） (2023-10-03T01:31:25Z)

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。