ترجمه فارسی مقاله آیا LLM ها می‌توانند به عنوان آشکارسازهای ناهنجاری سری زمانی عمل کنند؟

چکیده

An emerging topic in large language models (LLMs) is their application to time series forecasting, characterizing mainstream and patternable characteristics of time series. A relevant but rarely explored and more challenging question is whether LLMs can detect and explain time series anomalies, a critical task across various real-world applications. In this paper, we investigate the capabilities of LLMs, specifically GPT-4 and LLaMA3, in detecting and explaining anomalies in time series. Our studies reveal that: 1) LLMs cannot be directly used for time series anomaly detection. 2) By designing prompt strategies such as in-context learning and chain-of-thought prompting, GPT-4 can detect time series anomalies with results competitive to baseline methods. 3) We propose a synthesized dataset to automatically generate time series anomalies with corresponding explanations. By applying instruction fine-tuning on this dataset, LLaMA3 demonstrates improved performance in time series anomaly detection tasks. In summary, our exploration shows the promising potential of LLMs as time series anomaly detectors.

چکیده به فارسی (ترجمه ماشینی)

یک موضوع در حال ظهور در مدل های بزرگ زبان (LLMS) کاربرد آنها در پیش بینی سری های زمانی است که ویژگی های اصلی و الگوی سری زمانی را توصیف می کند.یک سؤال مرتبط اما به ندرت کاوش و چالش برانگیز این است که آیا LLMS می تواند ناهنجاری های سری زمانی را تشخیص داده و توضیح دهد ، یک کار مهم در برنامه های مختلف در دنیای واقعی است.در این مقاله ، ما توانایی های LLMS ، به طور خاص GPT-4 و LLAMA3 را در تشخیص و توضیح ناهنجاری ها در سری های زمانی بررسی می کنیم.مطالعات ما نشان می دهد که: 1) LLMS نمی تواند به طور مستقیم برای تشخیص ناهنجاری سری زمانی استفاده شود.2) با طراحی استراتژی های سریع مانند یادگیری درون متن و فوری زنجیره ای ، GPT-4 می تواند ناهنجاری های سری زمانی را با نتایج رقابتی به روشهای پایه تشخیص دهد.3) ما یک مجموعه داده سنتز شده را برای تولید خودکار ناهنجاری های سری زمانی با توضیحات مربوطه پیشنهاد می کنیم.LLAMA3 با استفاده از تنظیم دقیق در این مجموعه داده ، عملکرد بهبود یافته در کارهای تشخیص ناهنجاری سری زمانی را نشان می دهد.به طور خلاصه ، اکتشاف ما پتانسیل امیدوار کننده LLMS را به عنوان آشکارسازهای ناهنجاری سری زمانی نشان می دهد.