Pequeño pero confiable: Razonamiento eficiente visión-lenguaje para la detección de anomalías en series temporales

Resumen

Los avances recientes en Modelos de Lenguaje y Visión (VLMs) han logrado un rendimiento impresionante en múltiples tareas; sin embargo, estudios previos reportan resultados insatisfactorios al aplicar modelos grandes de lenguaje o multimodales para identificar patrones anómalos en datos secuenciales. Los puntos de referencia públicos para detección de anomalías suelen proporcionar anotaciones por intervalos, pero no justificaciones en lenguaje natural, lo que dificulta el ajuste fino de los VLMs para producir decisiones fundamentadas e interpretables. Para abordar esta carencia, construimos VisAnomBench, un punto de referencia curado a partir de conjuntos de datos públicos de series temporales y enriquecido con explicaciones de anomalías de alta calidad, seleccionadas de múltiples VLMs grandes mediante recompensas detalladas y específicas de la tarea. A través del ajuste fino en este punto de referencia, desarrollamos VisAnomReasoner, un VLM eficiente en parámetros para la detección de anomalías en series temporales. Los resultados experimentales en VisAnomBench muestran que VisAnomReasoner logra una localización de anomalías más precisa y supera consistentemente a todas las líneas base, con mejoras de al menos 21.23 y 23.87 puntos porcentuales en precisión y F1, respectivamente. Experimentos adicionales en el punto de referencia TSB-AD-U demuestran una fuerte generalización entre puntos de referencia, con VisAnomReasoner mejorando la precisión y el F1 en 9.57 y 13.39 puntos porcentuales, respectivamente.

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.