論文の概要: AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.08868v1
• Date: Mon, 09 Feb 2026 16:30:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.362999
• Title: AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection
• Title（参考訳）: AnomSeer: 時系列異常検出のためのマルチモーダルLLMの推論
• Authors: Junru Zhang, Lang Feng, Haoran Shi, Xu Guo, Han Yu, Yabo Dong, Duanqing Xu,
• Abstract要約: マルチモーダル大言語モデル(MLLM)を用いた時系列異常検出(TSAD)が新興分野である。 MLLMは粗い時系列に頼っているが、多次元の詳細な推論に苦戦している。 我々はAnomSeerに、時系列の正確な構造的詳細に推論を基礎づけるためにモデルを補強することで、この問題に対処する。
• 参考スコア（独自算出の注目度）: 18.1834815002424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-series anomaly detection (TSAD) with multimodal large language models (MLLMs) is an emerging area, yet a persistent challenge remains: MLLMs rely on coarse time-series heuristics but struggle with multi-dimensional, detailed reasoning, which is vital for understanding complex time-series data. We present AnomSeer to address this by reinforcing the model to ground its reasoning in precise, structural details of time series, unifying anomaly classification, localization, and explanation. At its core, an expert chain-of-thought trace is generated to provide a verifiable, fine-grained reasoning from classical analyses (e.g., statistical measures, frequency transforms). Building on this, we propose a novel time-series grounded policy optimization (TimerPO) that incorporates two additional components beyond standard reinforcement learning: a time-series grounded advantage based on optimal transport and an orthogonal projection to ensure this auxiliary granular signal does not interfere with the primary detection objective. Across diverse anomaly scenarios, AnomSeer, with Qwen2.5-VL-3B/7B-Instruct, outperforms larger commercial baselines (e.g., GPT-4o) in classification and localization accuracy, particularly on point- and frequency-driven exceptions. Moreover, it produces plausible time-series reasoning traces that support its conclusions.
• Abstract（参考訳）: マルチモーダル大言語モデル (MLLM) を用いた時系列異常検出 (TSAD) は新興分野であるが、持続的な課題が残る: MLLM は粗い時系列ヒューリスティックに依存しているが、複雑な時系列データを理解するのに不可欠である多次元の詳細な推論に苦慮している。 我々は、AnomSeerを、時系列の正確な構造的詳細、異常分類、ローカライゼーション、説明の統一化に向け、モデルを強化することで、この問題に対処する。 その中心には、古典的な分析(統計測度、周波数変換など)から検証可能な、きめ細かな推論を提供するために、専門家のチェーン・オブ・ソート・トレースが生成される。 そこで本研究では,標準強化学習以外の2つの追加成分を組み込んだ新しい時系列基底ポリシー最適化(TimerPO)を提案する。 さまざまな異常シナリオ、例えば、Qwen2.5-VL-3B/7B-インストラクタを持つAnomSeerは、特にポイント駆動と周波数駆動の例外において、分類とローカライゼーションの精度において、より大きな商用ベースライン(例えば、GPT-4o)を上回っている。 さらに、その結論を支持する確実な時系列推論トレースを生成する。

関連論文リスト

• TSAQA: Time Series Analysis Question And Answering Benchmark [85.35545785252309]
  時系列データは、金融、医療、交通、環境科学といった分野における重要な応用に不可欠である。 TSAQAはタスクカバレッジを拡大し、多様な時間的分析能力を評価するために設計された新しい統合ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T17:28:56Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• THEMIS: Unlocking Pretrained Knowledge with Foundation Model Embeddings for Anomaly Detection in Time Series [0.0]
  TheMISは、基礎モデルから事前学習された知識を活用する時系列異常検出のための新しいフレームワークである。 実験の結果,本手法はMSLデータセット上でSOTAを達成し,SMAPおよびSWAT$*$データセット上で非常に競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-10-04T19:20:35Z)
• AXIS: Explainable Time Series Anomaly Detection with Large Language Models [33.68487894996624]
  AXISは、時系列理解のための凍結したLarge Language Models (LLM) を規定するフレームワークである。 LLMは離散トークンで動作し、長い連続的な信号を直接処理するのに苦労する。 文脈的接地とパターンレベルのセマンティクスを監督するマルチフォーマットの質問と合理性を特徴とする新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-09-29T07:24:22Z)
• 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)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• 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)
• 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)

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。