Pequeno mas Confiável: Raciocínio Eficiente Visão-Linguagem para Detecção de Anomalias em Séries Temporais

Resumo

Avanços recentes em Modelos de Visão-Linguagem (VLMs) têm alcançado desempenho impressionante em diversas tarefas, no entanto, estudos anteriores relatam desempenho insatisfatório ao aplicar grandes modelos de linguagem ou multimodais na detecção de padrões anômalos em dados sequenciais. Os benchmarks públicos de detecção de anomalias geralmente fornecem anotações intervalares, mas não justificativas em linguagem natural, dificultando o ajuste fino de VLMs para produzir decisões fundamentadas e interpretáveis. Para preencher essa lacuna, construímos o VisAnomBench, um benchmark curado baseado em conjuntos de dados públicos de séries temporais e aumentado com explicações de anomalias de alta qualidade selecionadas a partir de múltiplos VLMs de grande porte, utilizando recompensas granulares e específicas para a tarefa. Por meio do ajuste fino neste benchmark, desenvolvemos o VisAnomReasoner, um VLM eficiente em parâmetros para detecção de anomalias em séries temporais. Resultados experimentais no VisAnomBench mostram que o VisAnomReasoner alcança localização de anomalias mais precisa e supera consistentemente todas as linhas de base, com melhorias de pelo menos 21,23 e 23,87 pontos percentuais em precisão e F1, respectivamente. Experimentos adicionais no benchmark TSB-AD-U demonstram forte generalização entre benchmarks, com o VisAnomReasoner melhorando a precisão e o F1 em 9,57 e 13,39 pontos percentuais, 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.