ChatAD：基于推理增强的时序异常检测与多轮指令演化

基于大语言模型（LLM）的异常检测（AD）有助于提升对时间序列（TS）中异常行为的理解和解释能力。现有方法面临推理能力不足、多轮对话能力欠缺以及泛化能力有限等挑战。为此，本文提出1）一种基于多智能体的时序演化算法TSEvol；2）构建了包含AD推理和多轮对话的TSEData-20K数据集，并贡献了用于AD的Chatbot家族模型，包括ChatAD-Llama3-8B、Qwen2.5-7B和Mistral-7B；3）提出了TS Kahneman-Tversky优化（TKTO），以增强ChatAD的跨任务泛化能力；4）设计了一个基于LLM的学习型AD基准LLADBench，用于评估ChatAD及其九个基线在七个数据集和任务上的性能。实验结果表明，三个ChatAD模型在准确率、F1值和误报率方面均有显著提升，且通过TKTO优化后，在分类、预测和填补任务中的推理能力和跨任务泛化能力表现优异。