時系列異常検知2026/8/4arXiv:2608.03391

TimeRLM: 再帰的言語モデルによる長文時系列の精密な異常位置特定

TimeRLM: Recursive Language Models Enable Precise Anomaly Localization in Long-Context Time-Series

長文時系列データにおける異常の正確な位置特定を実現するため、再帰的言語モデル（RLM）を時系列に適用し、コードと視覚機能で信号を操作するTimeRLMを提案。合成ベンチマークAnomalyXLで既存手法を大幅に上回る性能を示した。

詳しい要約

1. どんなもの？

TimeRLMは、長文脈の時系列データにおける異常位置特定（anomaly localization）を高精度に行うための再帰的言語モデル（Recursive Language Model, RLM）の枠組みを提案する。時系列言語モデル（TSLM）は時系列を入力し自然言語で異常を説明できるが、長文脈では検索性能が低下する。TimeRLMは、コードと視覚能力を用いて信号を逐次的に操作し、LLMの外部にコンテキストを保持することで、この性能低下を回復する。また、プログラム的に異常を注入した合成長文脈ベンチマークAnomalyXLを導入し、5つのタスクカテゴリと2つの変種（MCQとLocalize）を提供する。

2. 先行研究と比べてどこがすごい？

先行研究のTSLMや単一パス（single-pass）のベースラインは、長文脈での異常検索性能が低下する。TimeRLMは、テキスト領域で有効なRLMの考え方を時系列に適用し、外部コンテキストとコードによるクエリを可能にすることで、この性能低下を克服する。AnomalyXL-Localizeの5タスク中4タスクで、既存のTSLMやベースラインを大幅に上回るIoU（0.682 vs 最大0.329）とclassify-with-evidence精度（0.745 vs 最大0.072）を達成した。

3. 技術・手法の肝は？

TimeRLMの核心は、時系列を再帰的に処理するエージェントとしてLLMを利用し、コード実行と視覚的表現（プロットなど）を介して信号を操作・分析することである。コンテキストをLLMの外部に保持し、必要な情報をコードでクエリすることで、長文脈でも正確な位置特定を実現する。また、強化学習（reinforcement learning）によるポストトレーニングを行い、エージェントの行動効率と性能を向上させる。

4. どうやって有効だと検証した？

合成ベンチマークAnomalyXL（MCQとLocalizeの2変種）を構築し、5つのタスクカテゴリで評価した。TimeRLMはLocalizeタスクのうち4つで既存のTSLMや単一パスベースラインを上回り、IoU 0.682、classify-with-evidence 0.745を達成した。さらに、強化学習によるポストトレーニング後は性能が向上し、エージェントのインタラクションターン数が約1/3に削減された。また、未見の実世界データ（ECG、睡眠、ソフトウェア可観測性）でも性能を維持または向上し、合成データのみで訓練したにもかかわらずTSLMを上回った。

5. 議論はある？

要旨からは、TimeRLMの限界や潜在的な問題についての議論は不明である。ただし、合成データのみで訓練したモデルが実世界データで良好な性能を示したことは、ドメインギャップの克服に有望であるが、より多様な実世界データでの検証が必要かもしれない。また、再帰的アプローチは計算コストやレイテンシが増加する可能性があり、実用化にはトレードオフがあると考えられるが、要旨では言及されていない。

6. 次に読むべき論文は？

要旨で参照されている先行研究として、テキスト領域のRecursive Language Models (RLMs) や、時系列言語モデル (TSLMs) のベンチマーク研究が挙げられる。具体的には、長文脈での性能低下を報告した最近のベンチマーク論文や、RLMの手法を提案した論文が関連する。また、時系列異常検出の分野では、Anomaly TransformerやDeep SVDDなどの定番手法も参考になるが、要旨では明示されていないため、一般名で示す。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Nicolas Zumarraga, Lorenzo Steno, Ning Wang, Max Rosenblattl, Thomas Kaar, Maxwell A. Xu, Kevin O'Sullivan, Markus Kreft, Elgar Fleisch, Paul Schmiedmayer, Patrick Langer, Robert Jakob

分類: cs.LG

原文アブストラクト

Precise anomaly localization over long-context time series is a crucial task in monitoring applications across clinical care, industrial operations, financial services, and logistics, where brief evidence may hide inside long spans of high-frequency data. Time-Series Language Models (TSLMs) are able to ingest time series data and verbalize findings on anomalies in natural language; however, recent benchmarks report a decrease in retrieval performance at long contexts, mirroring failure modes in text, vision, and audio. In the text domain, Recursive Language Models (RLMs) can recover much of this lost performance by keeping context external to the large language model (LLM), allowing the model to query it through code. We present TimeRLM, an RLM formulation for time-series that sequentially manipulates the signal using code and vision capabilities. We further introduce AnomalyXL, a synthetic long-context anomaly localization benchmark with programmatically injected anomalies that require precise retrieval. We implement five different task categories and two variants: AnomalyXL-MCQ and AnomalyXL-Localize. TimeRLM outperforms every evaluated TSLM and single-pass baseline on four of the five AnomalyXL-Localize tasks, reaching 0.682 IoU on localization and 0.745 on classify-with-evidence, versus at most 0.329 and 0.072 across all baselines. We post-train TimeRLM using reinforcement learning. The resulting model further improves performance and requires approximately one-third as many agent interaction turns as its untrained base model to produce a final answer. On unseen real-world ECG, sleep and software observability recordings, the post-trained TimeRLM retains or improves performance, surpassing TSLMs despite being trained exclusively on synthetic data. Our findings suggest recursive interaction with time-series is an effective approach for long-horizon retrieval.

arXivで原文を読む →arXiv概要ページ

← 論文一覧