Исследователи Бахаре Голчин, Банафше Рекабдар и Даниэль Джусто представили новый метод обнаружения аномалий во временных рядах, опубликовав статью на arXiv.org 5 января 2026 года. Их подход объединяет большие языковые модели, обучение с подкреплением и активное обучение, демонстрируя высокую точность на стандартных тестах Yahoo-A1 и SMD при ограниченном бюджете на разметку данных.
Ключевая идея метода — использование LLM для формирования функции вознаграшения, которая направляет агента RL в процессе исследования данных. Агент на основе LSTM получает семантические награды от LLM, а ошибки реконструкции вариационного автоэнкодера добавляют сигналы об аномалиях без учителя. Активное обучение выбирает наиболее неопределённые образцы для разметки экспертом, а распространение меток эффективно расширяет размеченный набор данных.
Обнаружение аномалий во временных рядах критически важно для финансов, здравоохранения, сенсорных сетей и промышленного мониторинга. Основные проблемы в этой области — малое количество размеченных данных, сложные временные паттерны и высокая стоимость экспертной аннотации. Предложенный метод решает эти проблемы, комбинируя сильные стороны нескольких современных технологий.
Это исследование показывает перспективность объединения LLM с RL и передовыми методами обучения без учителя для создания надёжных и масштабируемых систем обнаружения аномалий в реальных приложениях с ограниченными данными.
