研究人员开发了一个新的框架，用于时间序列异常检测，该框架利用大型语言模型（LLMs），并将频域证据与传统时域数据相结合。这种方法称为AnomLLM，利用快速傅里叶变换（FFT）提取全局和局部频谱信息，从而揭示时间结构的变化，如周期性偏移或局部波动。实验表明，这种证据增强的方法在测试InternVL2-LLaMA3-76B、Qwen2.5-VL-72B-Instruct、Gemini-2.5-Flash和GPT-4o等模型时，提高了基于LLM的时间序列异常检测的性能。 AI
影响 这项研究通过使LLMs能够更好地理解和识别复杂的时间模式，有望带来更强大的异常检测系统。
排序理由 该集群包含一篇研究论文，详细介绍了使用LLMs进行时间序列异常检测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
