# AnoCoT LLMAD([[@2025__KDD__Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection]])で提案された、時系列異常検知(TSAD)向け Chain-of-Thought プロンプティング手法。 2 つの要素から成る: 1. **Domain Knowledge Injection**: (i) Judgment Rules(連続異常点、偽陽性厳禁等)、(ii) 8 種の異常タイプ定義(Single/Multiple Spike/Dip・Persistent/Transient Level Shift Up/Down)、(iii) 3 段階のアラームレベル定義(Warning/Important/Urgent)をプロンプトに含める。 2. **Expert Step-Wise Inference**: Step 1 大域トレンド評価 → Step 2 局所異常評価 → Step 3 再評価(reassessment、偽陽性削減)。 LLMAD の標準 CoT との比較で、平均 Best F1 を +6.2%、人手評価の usefulness を +13.4%、readability を +3.5% 改善する。追加トークン消費は < 100 トークンで、年間運用コスト差は $3.65 程度。([[@2025__KDD__Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection]] Fig 7, Table 6, Table 8) ## 関連 - 親システム: [[LLMAD]] - ソース: [[@2025__KDD__Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection]] - 概念: [[Chain-of-Thought Prompting]] / [[文脈内学習]] / [[異常検知]]