LLM-Generated Feature Pools for Time Series Anomaly Detection· LLMs 生成特征池用于时间序列异常检测
We study how far a simple statistical pipeline can go on univariate time series anomaly detection under a strict selection protocol. The method extracts a small pool of statistics over sliding windows, scores each window with a transductive robust (MAD) model, and selects a feature subset per domain on a held-out tuning split. On TSB-AD-U it reaches $0.529$ per-series VUS-PR, above the best neural ($0.45$) and statistical ($0.44$) entries on the public leaderboard and within $0.06$ of the strongest pretrained foundation model, several of which use more supervision than ours. Ablations locate the cause: across three selection strategies and a hindsight oracle the score moves by $0.031$, and across the aggregation grid by $0.096$, while changing the candidate pool moves it by $0.226$. The ca
利用 LLM 生成特征池提升时间序列异常检测性能。
- 核心方法
- 该方法通过提取滑动窗口上的少量统计特征，使用转换鲁棒模型（MAD）对每个窗口进行评分，并在保留的调整集上为每个领域选择特征子集。
- 适合谁读
- 研究者、工程师
- 要解决的问题
- 本文旨在解决如何在严格选择协议下，利用简单统计方法对单变量时间序列进行异常检测的问题。
- 关键实验
- 实验部分包括在 TSB-AD-U 数据集上的性能对比，以及不同选择策略、聚合网格和候选池变化对模型性能的影响分析。
- 主要贡献
- 在 TSB-AD-U 数据集上，该方法达到了 0.529 的每系列 VUS-PR，超过了公开排行榜上的最佳神经网络和统计方法。
- 意义与局限
- 本文展示了基于统计方法的时间序列异常检测在特定条件下的有效性，但其依赖于预训练模型的特征生成能力和严格的特征选择协议。