🤖 machine learning

AnomaMind: Agentic Time Series Anomaly Detection with Tool-Augmented Reasoning

AnomaMind एक एजेंटिक फ्रेमवर्क है जो टाइम सीरीज़ विसंगति का पता लगाने (anomaly detection) को एक अनुक्रमिक, साक्ष्य-आधारित नैदानिक प्रक्रिया के रूप में पुनर्गठित करता है, जो विविध और बदलते विसंगति पैटर्नों में बेहतर प्रदर्शन और सामान्यीकरण प्राप्त करने के लिए एक हाइब्रिड इन्फरेंस मैकेनिज्म के साथ टूल-ऑगमेंटेड रीजनिंग वर्कफ़्लो का लाभ उठाता है।

मूल लेखक: Xiaoyu Tao, Yuchong Wu, Mingyue Cheng, Ze Guo, Tian Gao

प्रकाशित 2026-06-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaoyu Tao, Yuchong Wu, Mingyue Cheng, Ze Guo, Tian Gao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो हजारों असली सिक्कों वाली एक विशाल, चलती हुई कन्वेयर बेल्ट में एक अकेले नकली सिक्के को खोजने की कोशिश कर रहे हैं। पारंपरिक तरीके एक हाई-स्पीड कैमरे की तरह काम करते हैं जो हर सिक्के की तस्वीर खींचता है और तुरंत नियम पुस्तिका के आधार पर "नकली!" या "असली!" चिल्ला देता है। यदि नकली सिक्का थोड़ा अलग दिखता है जैसा कि नियम पुस्तिका उम्मीद करती है, तो कैमरा उसे मिस कर देता है। यदि असली सिक्के रोशनी में बदलाव के कारण थोड़े अजीब दिखते हैं, तो कैमरा गलती से "नकली!" चिल्ला सकता है।

AnomaMind एक नए प्रकार का जासूस है। केवल फोटो खींचकर अनुमान लगाने के बजाय, यह रहस्य को सुलझाने के लिए एक टूलबॉक्स का उपयोग करने वाले स्मार्ट, चरण-दर-चरण अन्वेषक की तरह काम करता है।

यह इस प्रकार काम करता है, जिसे सरल चरणों में विभाजित किया गया है:

1. "कोर्स-टू-फाइन" रणनीति (एक बड़ा जाल)

तुरंत एक-एक करके हर सिक्के की जांच करने के बजाय, AnomaMind पहले एक बड़ा जाल फैलाता है।

द लोकेटर (The Locator): यह जासूस की आँखें हैं। यह संदिग्ध दिखने वाले क्षेत्रों को पहचानने के लिए पूरी कन्वेयर बेल्ट को तेज़ी से स्कैन करता है। इसे अभी एकदम सटीक होने की ज़रूरत नहीं है; इसे बस यह कहना है, "हे, यहाँ कुछ अजीब हो रहा है।"
उपमा: यह एक सुरक्षा गार्ड की तरह है जो भीड़ को स्कैन करता है और इशारा करता है, "वह समूह वहां थोड़ा अलग लग रहा है," बिना यह जाने कि ठीक से शरारती कौन है।

2. "टूलकिट बॉक्स" (जासूस के गैजेट्स)

एक बार संदिग्ध स्थान मिल जाने के बाद, AnomaMind केवल अनुमान नहीं लगाता। यह ठोस सबूत जुटाने के लिए एक डिजिटल टूलबॉक्स खोलता है। इस टूलबॉक्स के दो भाग हैं:

मेमोरी बैंक (ज्ञान): यह जासूस का अनुभव है। इसे याद रहता है कि "अजीब" आमतौर पर कैसा दिखता है (जैसे तापमान में अचानक गिरावट या गति में उछाल) और यह विशिष्ट उद्योग के नियमों को जानता है (जैसे, "एक सर्वर रूम में, अचानक सन्नाटा बुरा होता है")।
मैथ टूल्स (संख्यात्मक निदान): ये मापने वाले टेप और कैलकुलेटर हैं। वे विशिष्ट नंबरों की जांच करते हैं:
- सांख्यिकीय उपकरण (Statistical Tools): "क्या यह नंबर सामान्य औसत से बहुत बाहर है?"
- परिवर्तन उपकरण (Change Tools): "क्या पिछला मान बदलने के ठीक बाद इसमें अचानक उछाल या गिरावट आई है?"
- वैल्यू टूल्स (Value Tools): "क्या यह नंबर बहुत अधिक या बहुत कम है?"

3. विशेषज्ञों की टीम (एजेंट्स)

AnomaMind केवल एक रोबोट नहीं है; यह चार एजेंटों की एक टीम है जो मिलकर काम करती है:

द लोकेटर (The Locator): संदिग्ध स्थान पाता है।
द एक्टर (The Actor): तय करता है कि टूलबॉक्स से कौन से टूल्स का उपयोग करना है और परीक्षण चलाता है।
द डिटेक्टर (The Detector): सभी सबूतों को देखता है और अंतिम निर्णय लेता है: "क्या यह वास्तव में एक विसंगति (anomaly) है?"
द इवैल्यूएटर (The Evaluator): यह गुणवत्ता नियंत्रण निरीक्षक है। यह डिटेक्टर के काम की दोबारा जांच करता है। यदि सबूत कमजोर हैं, तो यह और अधिक सुराग जुटाने के लिए मामला वापस एक्टर के पास भेज देता है।

4. "हाइब्रिड ब्रेन" (तर्क + प्रशिक्षण)

यही इसका असली राज है। सिस्टम दो प्रकार के "मस्तिष्क" का उपयोग करता है:

जनरल ब्रेन (LLM): यह एक स्मार्ट, लचीले इंसान की तरह है जो जटिल निर्देशों को समझ सकता है, टूल्स के साथ बात कर सकता है, और कह सकता है, "आइए एक अलग कोण से प्रयास करें।" यह तर्क और जांच के प्रवाह को संभालता है।
स्पेशलिस्ट ब्रेन (RL Policy): यह एक प्रशिक्षित विशेषज्ञ है जिसने हजारों बार अभ्यास किया है। यह विशेष रूप से अंतिम "दोषी/निर्दोष" निर्णय लेने के लिए ट्यून किया गया है। यह पुरस्कारों से सीखता है: यदि यह नकली सिक्के को सही ढंग से पकड़ लेता है, तो इसे एक गोल्ड स्टार मिलता है। यदि यह गलत अलार्म (false alarm) देता है, तो इसे दंड मिलता है। यह सुनिश्चित करता है कि अंतिम निर्णय सटीक हो और केवल एक अनुमान न हो।

यह बेहतर क्यों है?

पारंपरिक तरीके एक कठोर रोबोट की तरह हैं जो एक ही स्क्रिप्ट का पालन करते हैं। यदि स्थिति बदल जाती है (जैसे नकली सिक्के का नया प्रकार या अलग फैक्ट्री सेटिंग), तो रोबोट विफल हो जाता है।

AnomaMind एक लचीले जासूस की तरह है।

यह केवल एक निश्चित नियम पर निर्भर नहीं है।
यह चरण-दर-चरण साक्ष्य जुटाता है।
यदि नए सबूत मिलते हैं तो यह अपना मन बदल सकता है।
यह संदर्भ को समझने के लिए अपनी "मेमोरी" और अपना मामला सिद्ध करने के लिए अपने "टूल्स" का उपयोग करता है।

परिणाम

पेपर में विभिन्न डेटासेट्स (जैसे सर्वर लॉग और ट्रैफिक डेटा) पर इस जासूस का परीक्षण किया गया। परिणामों ने दिखाया कि AnomaMind पुराने तरीकों की तुलना में "नकली सिक्कों" (विसंगतियों) को खोजने और "शोर" (गलत अलार्म) को अनदेखा करने में बहुत बेहतर था। यह तब भी अच्छी तरह से काम करता रहा जब डेटा बहुत अलग था जिस पर इसे प्रशिक्षित किया गया था, जिससे यह साबित हुआ कि यह "टूल-ऑगमेंटेड रीजनिंग" दृष्टिकोण इस तरह की समस्याओं को हल करने का एक शक्तिशाली नया तरीका है।

संक्षेप में: AnomaMind विसंगति का पता लगाने (anomaly detection) को एक साधारण "अनुमान लगाने के खेल" से एक संरचित, साक्ष्य-आधारित जांच में बदल देता है।

तकनीकी सारांश: AnomaMind

समस्या विवरण (Problem Statement)

टाइम सीरीज़ एनोमली डिटेक्शन (TSAD) उन वास्तविक दुनिया के अनुप्रयोगों के लिए महत्वपूर्ण है जिनमें स्थानीय विसंगति पहचान (localized anomaly identification) और विश्वसनीय निर्णय लेने की आवश्यकता होती है। हालाँकि, मौजूदा विधियाँ मुख्य रूप से TSAD को एक स्थिर, विभेदक भविष्यवाणी कार्य (static, discriminative prediction task) के रूप में देखती हैं जो निश्चित फीचर रिप्रजेंटेशन पर निर्भर करती हैं। यह दृष्टिकोण तब लचीलेपन को सीमित कर देता है जब विसंगतियाँ संदर्भ-निर्भर (context dependent), विविध पैटर्न या डोमेन शिफ्ट प्रदर्शित करती हैं। इसके अलावा, पारंपरिक मॉडलों में नैदानिक साक्ष्य (diagnostic evidence) को अनुकूल रूप से निर्मित करने, मध्यवर्ती परिणामों पर तर्क करने, या नई जानकारी के आधार पर निर्णयों को संशोधित करने के तंत्र का अभाव होता है, जो जटिल और विकसित होते परिदृश्यों में उनकी प्रभावशीलता को प्रतिबंधित करता है।

कार्यप्रणाली: AnomaMind फ्रेमवर्क (Methodology: AnomaMind Framework)

लेखक AnomaMind प्रस्तावित करते हैं, जो एक एजेंटिक फ्रेमवर्क है जो TSAD को एक अनुक्रमिक, साक्ष्य-संचालित निर्णय लेने की प्रक्रिया के रूप में पुनर्गठित करता है। यह प्रणाली एक कोर्स-टू-फाइन वर्कफ़्लो (coarse-to-fine workflow) के माध्यम से संचालित होती है जो टूल-ऑगमेंटेड रीजनिंग (Tool-Augmented Reasoning) तंत्र और एक हाइब्रिड इन्फरेंस (Hybrid Inference) आर्किटेक्चर द्वारा समर्थित है।

1. मुख्य घटक (Core Components)

टूलकिट बॉक्स ( $\mathcal{B}$ ): एक दोहरी-घटक संसाधन जो सिमेंटिक मार्गदर्शन और मापने योग्य सत्यापन दोनों प्रदान करता है।
- नॉलेज मेमोरी ( $\mathcal{K}$ ): इसमें प्रशिक्षण डेटा से निकाले गए विजुअल एनोमली पैटर्न (18-आयामी डिस्क्रिप्टर्स के क्लस्टरिंग के माध्यम से), डोमेन ज्ञान (विसंगति प्रकार की परिभाषाएं और उदाहरण), और टूल विवरण शामिल हैं।
- न्यूमेरिकल डायग्नोस्टिक्स ( $\mathcal{N}$ ): मापने योग्य साक्ष्य के लिए चार ऑपरेटरों का एक सेट:
  - सांख्यिकीय ( $N_{stat}$ ): स्थानीय/वैश्विक माध्य (mean), विचरण (variance), पर्सेंटाइल आदि की गणना करता है।
  - वैल्यू-आधारित ( $N_{val}$ ): एडेप्टिव थ्रेशोल्ड के माध्यम से मैग्नीट्यूड आउटलेयर्स की पहचान करता है।
  - चेंज-आधारित ( $N_{chg}$ ): अंतर सांख्यिकी (difference statistics) के माध्यम से अचानक परिवर्तनों का पता लगाता है।
  - रीजन-लेवल ( $N_{reg}$ ): विशिष्ट इंडेक्स रेंज के भीतर मानों का निरीक्षण करता है।
एजेंटिक वर्कफ़्लो (Agentic Workflow): पहचान प्रक्रिया को चार भूमिकाओं में विभाजित किया गया है:
1. लोकेटर (Locator): विजुअल पैटर्न और डोमेन ज्ञान का उपयोग करके संदिग्ध अंतराल (intervals) की पहचान करने के लिए प्रारंभिक साक्ष्य प्राप्ति करता है, जिसमें रिकॉल (recall) को प्राथमिकता दी जाती है।
2. एक्टर (Actor): अनुकूलित साक्ष्य निर्मित करने के लिए टूल इंटरैक्शन को संचालित करता है, जो मध्यवर्ती अवलोकनों के आधार पर उपयुक्त न्यूमेरिकल ऑपरेटर चुनता है या ज्ञान प्राप्त करता है।
3. डिटेक्टर (Detector): एक डिटेक्शन-विशिष्ट पॉलिसी ( $D_\theta$ ) जो संचित साक्ष्य पर तर्क करती है ताकि सूक्ष्म-स्तरीय विसंगति निर्णय उत्पन्न किए जा सकें।
4. इवैल्यूएटर (Evaluator): निरंतरता और अनिश्चितता के लिए अपने निर्णयों पर आत्म-चिंतन (self-reflection) करके पुनरावृत्त परिशोधन (iterative refinement) करता है, जो संभावित रूप से पुनर्मूल्यांकन या अतिरिक्त साक्ष्य एकत्र करने को ट्रिगर करता है।

2. हाइब्रिड इन्फरेंस मैकेनिज्म (Hybrid Inference Mechanism)

AnomaMind सामान्य-उद्देश्य वाले तर्क और कार्य-विशिष्ट निर्णय सीखने को अलग करता है:

जनरल-पर्पस LLM: लचीला तर्क, स्वायत्त टूल आह्वान (autonomous tool invocation), और आत्म-चिंतन को संभालता है। यह बिना किसी कार्य-विशिष्ट रिट्रेनिंग के वर्कफ़्लो लॉजिक को प्रबंधित करता है।
डिटेक्शन-विशिष्ट पॉलिसी: सुदृढीकरण शिक्षण (Reinforcement Learning - RL) के माध्यम से अनुकूलित की जाती है। पॉलिसी को एनोमली रीजनिंग ट्रेसेस पर सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) के माध्यम से इनिशियलाइज़ किया जाता है और फिर नियम-आधारित रिवॉर्ड्स का उपयोग करके और अधिक परिष्कृत किया जाता है:
- पार्सिंग रिवॉर्ड (Parsing Reward): वैध, मशीन-पठनीय आउटपुट फॉर्मेट सुनिश्चित करता है।
- F1-स्कोर रिवॉर्ड (F1-Score Reward): ग्राउंड-ट्रुथ इंटरवल्स के साथ संरेखण को प्रोत्साहित करता है।
- फॉल्स-पॉजिटिव (FP) पेनल्टी (False-Positive Penalty): सामान्य क्षेत्रों पर अत्यधिक आक्रामक भविष्यवाणियों को हतोत्साहित करता है।

प्रमुख योगदान (Key Contributions)

TSAD का पुनर्गठन: लेखक TSAD को एक स्थिर विभेदक पहचान से बदलकर एक साक्ष्य-संचालित, अनुक्रमिक निर्णय लेने की प्रक्रिया में परिवर्तित करते हैं।
एजेंटिक फ्रेमवर्क: AnomaMind का परिचय, जो नॉलेज मेमोरी और न्यूमेरिकल डायग्नोस्टिक्स को संयोजित करने वाले टूलकिट बॉक्स के साथ कोर्स-टू-फाइन वर्कफ़्लो को एकीकृत करता है।
हाइब्रिड इन्फरेंस डिज़ाइन: एक तंत्र जो लचीले तर्क के लिए जनरल-पर्पस LLMs का लाभ उठाता है जबकि सटीक, सत्यापन योग्य विसंगति निर्णयों के लिए RL द्वारा अनुकूलित एक विशेष पॉलिसी का उपयोग करता है।
अनुभवजन्य सत्यापन (Empirical Validation): इन-डोमेन और क्रॉस-डोमेन दोनों सेटिंग्स में विषम विसंगति पैटर्न में बेहतर प्रदर्शन के साथ व्यापक प्रयोगों द्वारा प्रदर्शन का प्रदर्शन।

प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन चार बेंचमार्क पर किया गया: Yahoo (पॉइंट और सेगमेंट), KPI, IOPS, और WSD (सेगमेंट-लेवल)।

प्रदर्शन: AnomaMind ने सांख्यिकीय विधियों (जैसे DWT-MLEAD, SR), डीप लर्निंग मॉडल्स (जैसे OmniAnomaly, TranAD), फाउंडेशन मॉडल्स (TimesFM, Chronos), और अन्य LLM-आधारित दृष्टिकोणों (LLM-TSAD, ARGOS) सहित बेसलाइन्स को लगातार पछाड़ दिया।
- Yahoo डेटासेट में, AnomaMind ने 0.9015 (इन-डोमेन) और 0.8906 (क्रॉस-डोमेन) का F1 स्कोर प्राप्त किया, जो अगली सर्वश्रेष्ठ विधि (TimesFM 0.6810 पर) से काफी अधिक है।
- इसने मजबूत Range-F1 स्कोर प्रदर्शित किए, जो प्रभावी अंतराल-स्तरीय स्थानीयकरण (interval-level localization) का संकेत देते हैं।
एब्लेशन स्टडीज (Ablation Studies):
- ट्रेनिंग रणनीति: SFT या RL में से किसी एक को हटाने से प्रदर्शन में गिरावट आई, जिससे पुष्टि हुई कि SFT आवश्यक इनिशियलाइजेशन प्रदान करता है जबकि RL निर्णय स्थिरता को परिष्कृत करता है।
- टूल घटक: विशिष्ट टूल्स (जैसे चेंज-आधारित डिटेक्शन या नॉलेज मेमोरी) को हटाने से कम प्रदर्शन हुआ, जो समन्वित टूल इंटरैक्शन की आवश्यकता को प्रमाणित करता है।
- एजेंट भूमिकाएं: लोकेटर या इवैल्यूएटर को हटाने से महत्वपूर्ण गिरावट आई, जो सटीक कोर्स लोकलाइजेशन और पुनरावृत्त परिशोधन के महत्व को उजागर करता है।
- मॉडल स्केल: बड़े बैकबोन (Qwen3-8B) ने छोटे वेरिएंट की तुलना में बेहतर प्रदर्शन किया, हालांकि फ्रेमवर्क विभिन्न जनरल-पर्पस मॉडल साइज (जैसे Gemini-3.1-flash, Grok-4.1) में भी प्रभावी रहा।

महत्व और दावे (Significance and Claims)

पेपर यह दावा करता है कि AnomaMind विसंगति पहचान के लिए टूल-ऑगमेंटेड रीजनिंग की प्रभावशीलता को प्रमाणित करता है। फिक्स्ड फीचर पाइपलाइन्स से आगे बढ़कर, यह फ्रेमवर्क उस विसंगति के बीच के अंतर को संबोधित करता है जो आमतौर पर विसंगति पहचान (वन-शॉट क्लासिफिकेशन) के रूप में तैयार किया जाता है और जैसा कि वास्तव में किया जाता है (अनुक्रमिक नैदानिक तर्क)। लेखक दावा करते हैं कि उनका दृष्टिकोण सिस्टम को सक्षम बनाता है:

स्थिर इनपुट पर निर्भर रहने के बजाय सूचनात्मक साक्ष्य को अनुकूल रूप से निर्मित करना।
एक लचीले, साक्ष्य-संचालित वर्कफ़्लो के माध्यम से विविध विसंगति पैटर्न और डोमेन शिफ्ट को संभालना।
जनरल LLMs की तर्क क्षमताओं को कार्य-विशिष्ट सुदृढीकरण शिक्षण (RL) के साथ जोड़कर स्थिर अनुकूलन और विश्वसनीय निर्णय लेना।

यह कार्य निष्कर्ष निकालता है कि TSAD को एक एजेंटिक, अनुक्रमिक निर्णय प्रक्रिया के रूप में पुनर्गठित करना उन जटिल, वास्तविक दुनिया के डिटेक्शन परिदृश्यों के लिए एक मजबूत समाधान प्रदान करता जहाँ संदर्भ और व्याख्यात्मकता (interpretability) सर्वोपरि है।