MLLMs for TSAD ?

项目链接：Multimodal LLMs Advance Time Series Analysis

代码链接：https://github.com/mllm-ts/VisualTimeAnomaly

出处：ICLR 2025

一  文章动机

多模态 LLM (MLLM) 通过 “视觉” 方式处理时序的潜力仍未充分探索；

人类检测 “时序异常” 的自然方式：可视化、文本描述；受此启发：

→  多模态 LLM 能否执行时间序列异常检测 ？

* 新的多模态 TSAD 数据集供给：In total, VISUAL TIME ANOMALY contains 12.4k time series images spanning 3 scenarios and 3 anomaly granularities with 9 anomaly types across 8 MLLMs.

* 重要结论：

1）MLLM 检测 “点异常” 的能力弱于检测 “范围、变量异常”；

2）MLLM 对 “不规则” 时序具备强鲁棒性，即使 25% 数据丢失；

3）开源 MLLM 的性能与 TSAD 中的专有模型相当。虽然开源MLLM在单变量时间序列上表现出色，但专有 MLLM 在多元时间序列上显示出卓越的有效性；

二 Method

异常类型介绍：

具体方法：

三 实验结论

① 单变量时序异常检测：

a. For MLLMs, range-wise anomalies are easier to detect than point-wise anomalies.

(trend > shapelet > seasonal > global > contextual)  更容易检测出 “粗粒度” 的时序异常检测现象；

b. Open-source MLLMs outperform proprietary models in the univaraite scenario.

c. * Real-world time series does not increase the difficulty of time series anomaly detention.

② 多变量时序异常检测：

a. Proprietary MLLMs outperform opensource models in the multivariate scenario.

b. 时序内的主导的正常模式，会显著影响 TSAD 的性能；

c. 维度越大，对局部时序的分辨率越低，性能伴随变量维度的增多而降低；

d. 出现幻觉现象（尤其针对参数量较小、理解分析能力较弱的 MLLM）

③ Irregular (不规则采样、不按等时间间隔距离采样) 的多变量时序异常检测：

MLLMs 表现出极高的鲁棒性：