時系列データの異常検知にLLMを使用する手法と実行プロンプト

   

LLMをゼロショットで時系列データの異常検知に利用するプロンプトベースの手法が提案されています。

重要なお知らせ:AI分野のお仕事マッチングサービス「AIDB HR」を開始しました!登録後はオファーを受け取るだけのシンプルなサービスです!現在、期間限定で、ギフト券が必ずもらえる新規登録キャンペーンも行っています。


参照論文情報

  • タイトル:Large language models can be zero-shot anomaly detectors for time series?
  • 著者:Sarah Alnegheimish, Linh Nguyen, Laure Berti-Equille, Kalyan Veeramachaneni
  • 所属:MIT, IRD ESPACE-DEV

背景

LLMはプログラミングのコードを生成したり、画像や動画を生成したりと、その応用範囲が大きく広がってきました。さらに、LLMには追加の学習なしに新しいタスクに取り組める能力もあるので注目を集めています。

そしてLLMによる時系列データから未来の値を予測する「時系列予測」が注目され、時系列データを文字列としてLLMに入力することが有効と分かってきました。そこで、予測よりも複雑なタスクである異常検知への応用可能性が浮上しました。

時系列データは、産業界の日常業務で頻繁に扱われているため、LLMによる異常検知の実現は大きなインパクトを持つ可能性があります。

今回MITの研究者らは、追加の学習を必要とせず計算コストを大幅に削減できるLLMベースの異常検知手法を考案し、その有効性を実験的に示しています。

当サイトの利用にはAIDBのアカウントが必要です。
また記事の購読には、アカウント作成後の決済が必要です。



※ログイン/初回登録後、下記ボタンを押してください。

AIDBとは
プレミアム会員(記事の購読)について


■サポートのお願い
AIDBを便利だと思っていただけた方に、任意の金額でサポートしていただけますと幸いです。






PAGE TOP