[LG]《CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams》A Devireddy, S Huang [Dataflow ML Team] (2025)
CALM框架：融合Apache Beam流处理、TimesFm基础模型与LLM智能判别，实现时序流中异常的连续自适应检测。
• 端到端流式架构基于Apache Beam，支持高吞吐、乱序数据的状态化窗口处理与数据插值，保障数据质量与实时性。
• 采用TimesFm预训练时序基础模型进行基于预测的异常检测，利用分位数预测动态构建鲁棒阈值，提升异常判定准确度。
• 创新引入“LLM-as-a-Judge”机制，利用大型语言模型进行语义推理，区分短暂噪声与持续模式转变，实现语义层面漂移检测与高质量训练数据筛选。
• 构建闭环持续微调系统：经LLM筛选的异常数据批量触发模型微调，自动部署新版模型，实现无人工干预的在线自适应，显著缓解概念漂移带来的性能衰退。
• 实验验证：在TSB-UAD基准33个数据集上，CALM微调模型较静态基线显著提升ROC AUC，特别在原模型表现欠佳的数据上提升幅度最大。
• 灵敏度分析揭示：预测长度和微调轮次对性能影响有限，首轮微调效果最佳，有助防止过拟合；噪声增强正则化可进一步平滑性能曲线。
• 未来发展方向包括多变量时序扩展、参数高效微调（如LoRA）、多轮LLM判决策略提升判别鲁棒性，以及智能微调触发机制优化。
心得：
1. 将LLM用于实时语义判定，突破了传统统计漂移检测的局限，赋能模型自主甄别真正有价值的异常信号。
2. 结合状态化流处理和模型动态热替换，实现了理论与工程的深度融合，保障系统在复杂生产环境中的稳定与灵活。
3. 持续微调闭环不仅提升模型适应性，更推动了机器学习系统由静态工具向智能自治体的进化。
详情🔗 arxiv.org/abs/2508.21273
时序异常检测大语言模型流处理自适应学习机器学习系统
