Klein aber vertrauenswürdig: Effizientes Vision-Language Reasoning für die Zeitreihen-Anomalieerkennung

Zusammenfassung

Jüngste Fortschritte bei Vision-Language-Modellen (VLMs) haben bei vielen Aufgaben beeindruckende Leistungen erzielt. Allerdings berichten frühere Studien von unbefriedigenden Ergebnissen bei der Anwendung großer Sprach- oder multimodaler Modelle zur Erkennung anomaler Muster in sequentiellen Daten. Öffentliche Benchmarks zur Anomalieerkennung liefern in der Regel Intervallannotationen, jedoch keine natürlichsprachlichen Begründungen, was die Feinabstimmung von VLMs zur Generierung fundierter, interpretierbarer Entscheidungen erschwert. Um diese Lücke zu schließen, erstellen wir VisAnomBench, einen kuratierten Benchmark, der auf öffentlichen Zeitreihendatensätzen basiert und mit hochwertigen Anomalieerklärungen angereichert ist, die aus mehreren großen VLMs mittels feinkörniger, aufgabenspezifischer Belohnungen ausgewählt wurden. Durch Feinabstimmung auf diesem Benchmark entwickeln wir VisAnomReasoner, ein parametereffizientes VLM für die Zeitreihen-Anomalieerkennung. Experimentelle Ergebnisse auf VisAnomBench zeigen, dass VisAnomReasoner eine genauere Anomalielokalisierung erreicht und konsequent alle Basislinien übertrifft, mit Verbesserungen von mindestens 21,23 Prozentpunkten bei der Präzision und 23,87 Prozentpunkten beim F1-Score. Zusätzliche Experimente auf dem TSB-AD-U-Benchmark belegen eine starke benchmarkübergreifende Generalisierung, wobei VisAnomReasoner die Präzision und den F1-Score um 9,57 bzw. 13,39 Prozentpunkte verbessert.

English

Recent advances in Vision-Language Models (VLMs) have achieved impressive performance across many tasks, yet prior studies report unsatisfactory performance when applying large language or multimodal models to finding abnormal patterns in sequential data. Public anomaly detection benchmarks typically provide interval annotations but not natural-language rationales, making it difficult to fine-tune VLMs to produce grounded, interpretable decisions. To address this gap, we construct VisAnomBench, a curated benchmark built from public time-series datasets and augmented with high-quality anomaly explanations selected from multiple large VLMs using fine-grained, task-specific rewards. Through fine-tuning on this benchmark, we develop VisAnomReasoner, a parameter-efficient VLM for time-series anomaly detection. Experimental results on VisAnomBench show that VisAnomReasoner achieves more accurate anomaly localization and consistently outperforms all baselines, with improvements of at least 21.23 and 23.87 percentage points in precision and F1, respectively. Additional experiments on the TSB-AD-U benchmark demonstrate strong cross-benchmark generalization, with VisAnomReasoner improving precision and F1 by 9.57 and 13.39 percentage points, respectively.