arXiv cs.AI· Xiaona Zhou, Muntasir Wahed, Tianjiao Yu, Constantin Brif, Ismini Lourentzou·· 11 小时前AI 评分29
VisAnomReasoner：面向时间序列异常检测的高效视觉语言推理模型
Tiny but Trusted: Efficient Vision-Language Reasoning for Time-Series Anomaly Detection
AI 导读
研究者构建了带高质量异常解释的 VisAnomBench 基准，并基于此微调出参数高效的视觉语言模型 VisAnomReasoner，用于时间序列异常检测。在 VisAnomBench 上，其精确率和 F1 分别至少提升 21.23 和 23.87 个百分点，优于所有基线。在 TSB-AD-U 基准上跨基准泛化同样有效，精确率和 F1 分别提升 9.57 和 13.39 个百分点。
正文 · AI 翻译
摘要：视觉语言模型（VLM）的最新进展已在众多任务上取得令人瞩目的表现，但此前的研究报告称，将大型语言模型或多模态模型应用于发现序列数据中的异常模式时，性能并不理想。公开的异常检测基准通常只提供区间标注，而不提供自然语言解释，这使得难以对 VLM 进行微调以产生有依据、可解释的决策。为弥补这一空白，我们构建了 VisAnomBench，这是一个基于公开时间序列数据集整理而成的基准，并使用细粒度、任务特定的奖励从多个大型 VLM 中筛选出高质量的异常解释加以扩充。通过在该基准上微调，我们开发了 VisAnomReasoner，一个用于时间序列异常检测的参数高效 VLM。在 VisAnomBench 上的结果表明，VisAnomReasoner 实现了更准确的异常定位，并持续优于所有基线，在精确率和 F1 上分别至少提升 21.23 和 23.87 个百分点。在 TSB-AD-U 基准上的额外实验证明了较强的跨基准泛化能力，VisAnomReasoner 的精确率和 F1 分别提升 9.57 和 13.39 个百分点。
| 评论： | 已被 NeurIPS 2026 接收。更新了实验和附录 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2605.30344 [cs.AI] |
| （或 arXiv:2605.30344v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.30344 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xiaona Zhou [查看邮箱]
[v1]
2026年5月28日星期四 17:59:50 UTC（2,579 KB）
[v2]
2026年11月5日星期四 03:32:45 UTC（2,049 KB）
来源：arXiv cs.AI · arxiv.org