docs(ts-as-modality): archive after cross-domain generalization failure
Full diagnostic chain (synth→real zero-shot→real finetune→held-out) shows the TS-modality approach works in-distribution but fails to generalize across entities: same SMD dataset, same 38 channels, just a different machine (1→2) collapses output to repetition garbage. Root cause is the lightweight TS encoder (2-layer TF, 2.1M params) learning dataset/machine- specific patterns rather than transferable time-series representations. This is a valuable negative result: it cleanly rules out the '0.5B LLM + 2-layer TS encoder + single-distribution synth training' route for general time-series understanding, which is more credible than any 'looks like it works but never tested cross-domain' result. Records: - tasks.md: M6 diagnostic section (6.1-6.5) with evidence + archive decision - proposal.md: Status header flagging archive + pointer to diagnosis - docs/diagnosis-2026-07-02-cross-domain.md: full evidence chain, root-cause analysis, capability boundaries, asset inventory, restart conditions Project status: archived. Code/data/checkpoints/reports preserved. Restart requires any of: (1) larger encoder + real-data from-scratch training, (2) channel-agnostic patch strategy, (3) multi-dataset joint training with held-out-dataset generalization proof.
This commit is contained in:
张宗平
@@ -0,0 +1,140 @@
|
||||
# 诊断报告 · ts-as-modality 跨域泛化失败与方案封存
|
||||
|
||||
> **日期**：2026-07-02
|
||||
> **状态**：方案封存（资产保留，不再投入）
|
||||
> **决定性问题**：合成域有效的「TS-as-modality」方案，能否泛化到真实时序？
|
||||
|
||||
---
|
||||
|
||||
## TL;DR
|
||||
|
||||
方案在合成域内有效，但在真实时序上**跨实体泛化失败**——同一 SMD 数据集、同样 38 通道、仅换了机器（machine-1 → machine-2），模型输出从合法 JSON 崩溃为 repetition garbage。证据链完整指向：TS encoder 学到的是数据集/机器特有模式，而非可泛化的时序表征。方案作为研究性 PoC 划定了清晰的能力边界，但当前架构无法支撑「通用时序理解」这一目标，故封存。
|
||||
|
||||
---
|
||||
|
||||
## 完整诊断链
|
||||
|
||||
### 阶段 1：合成域内验证（成立）
|
||||
|
||||
在全量合成数据（50 万对齐 + 10 万 SFT）训练后：
|
||||
|
||||
| 指标 | model | pure_llm | 结论 |
|
||||
|---|---|---|---|
|
||||
| 时序消融 change_rate | 0.98/50 | — | TS token 确实被消费 ✅ |
|
||||
| QA 均分（6 类） | 2.41 | 0.90 (2.7×) | TS 模态是必要非装饰 ✅ |
|
||||
| anomaly JSON 解析率 | 0.98 | 0.01 | 格式学习成功 ✅ |
|
||||
| VUS-PR | 0.22 | 0.24 | ⚠️ 输给 trivial baseline |
|
||||
|
||||
**阶段 1 结论**：机制可行，QA 能力真实，但异常精准定位弱（VUS-PR 输 trivial）。
|
||||
|
||||
### 阶段 2：zero-shot 跨域（崩溃）
|
||||
|
||||
用未微调的合成 ckpt 直接评测真实 SMD（machine-1/2/2-1 合并，prevalence 5.8% vs 合成 26%）：
|
||||
|
||||
| 指标 | model（real） | 解读 |
|
||||
|---|---|---|
|
||||
| parse_rate | **0.00** | 没有任何输出可解析 |
|
||||
| Aff-F1 | **0.00** | 完全无定位能力 |
|
||||
| QA mean | **0.00** | vs synth 的 2.41 |
|
||||
| VUS-PR | 0.2263 | = all_report，是**假象** |
|
||||
|
||||
**输出样本**（repetition collapse，LLM 在 OOD 输入下的典型崩溃）：
|
||||
```
|
||||
'ERYoticaisonaisonanxietyaisonaisonanaisonanaison...'
|
||||
'horizon: horizon: horizon: horizon: horizon:...'
|
||||
```
|
||||
|
||||
**VUS-PR=0.2263 的真相**：模型输出全是 garbage → `parse_anomaly_segments` 失败 → `answer_to_point_scores` 返回全 0 → `vus_pr(全0, y)` 退化为 prevalence（=0.226）。所以「VUS-PR 与 trivial 持平」是假象，模型实际**什么都没做**，只是被 prevalence 下限兜住了。这是一个**评测陷阱**：低质量输出在低 prevalence 下会被误读为「不算太差」。
|
||||
|
||||
**干扰变量排除**：改写 instruction（短措辞 / 通用模板）后输出仍是 garbage，排除「指令过长/格式不兼容」因素，确认是 TS embedding 的分布偏移所致：
|
||||
- 通道数：5（合成）→ 38（SMD）
|
||||
- 数值分布：合成 mean~46/std~23 vs SMD z-score 后 mean~0/std~0.6
|
||||
|
||||
### 阶段 3：SMD 微调（训练域内有效）
|
||||
|
||||
从 stage2_final 继续训 LoRA on SMD train（machine-1-1/1-2，141 样本，500 步，EMA 1.27→1.00）：
|
||||
|
||||
**训练域内输出**（machine-1-1/1-2，微调后）：
|
||||
```
|
||||
{"anomaly_regions": [{"start": 309, "end": 412}], "n_regions": 1} ✅
|
||||
{"anomaly_regions": [{"start": 0, "end": 136}], "n_regions": 1} ✅
|
||||
{"anomaly_regions": [{"start": 103, "end": 126}], "n_regions": 1} ✅
|
||||
```
|
||||
4/5 产出合法 JSON，格式与语义均正确。**机制在训练域内正常工作**。
|
||||
|
||||
### 阶段 4：跨实体 held-out（崩溃，决定性）
|
||||
|
||||
用同一个微调后模型评测 SMD held-out（machine-2-1，同数据集/同 38 通道/同样 z-score 分布，仅换机器）：
|
||||
|
||||
```
|
||||
[anomaly] '{"}</seo_http>\xa0\n\xa0\n\xa0\n\n\xa0\xa0 (since)...' ❌
|
||||
[anomaly] '{"id": 1, "name": "nan</sk_inch_regions> \n\n\n...' ❌
|
||||
[describe] '------------{"}</ewanewanewanewanewanewanewan...' ❌
|
||||
```
|
||||
|
||||
**全 garbage**。从训练域内（machine-1）到 held-out（machine-2），输入分布的偏移仅仅是「换了台服务器」，模型就从「会」变成「完全不会」。
|
||||
|
||||
---
|
||||
|
||||
## 根因分析
|
||||
|
||||
**不是评测管道 bug、不是数据量不足、不是指令格式问题、不是通道数不匹配（held-out 也是 38 通道）。**
|
||||
|
||||
根因是 **TS encoder 学到的是数据集/机器特有的统计特征，而非可泛化的时序表征**：
|
||||
|
||||
1. **架构容量不足**：TS encoder 仅 2 层 TF + patch 线性嵌入，~2.1M 参数。这个容量足以「记忆」machine-1 的分布特征，但不足以学到「时序形态→语义」的通用映射。
|
||||
2. **训练分布单一**：仅在合成数据上训练 encoder/projector，合成分布的特征（固定 5 通道、特定数值范围、模板化异常形态）被编码进了表征。
|
||||
3. **泛化瓶颈在 encoder 侧**：LoRA 只调 LLM，但 LLM 侧（语言能力）本来就没问题——崩溃发生在 encoder 输出的 TS embedding 严重偏离 LLM 能理解的流形时。
|
||||
4. **微调样本不足**：141 样本对 encoder 2.1M 参数，学到的更像「记忆 machine-1」而非「适应 SMD 通用分布」。
|
||||
|
||||
这是一个**架构性**而非工程性短板：轻量 TS encoder + 单分布训练的组合，决定了它无法跨实体泛化。
|
||||
|
||||
---
|
||||
|
||||
## 方案意义与边界（诚实评估）
|
||||
|
||||
### 成立的部分 ✅
|
||||
- **TS 模态融合机制可行**：证明 soft token 能承载时序信息并被 LLM 消费（非被忽略的噪声）。
|
||||
- **合成域内 QA 能力真实**：2.7× 于 pure_llm，TS 模态对时序问答有实质增益。
|
||||
- **工程管线完整可复现**：合成数据、训练、断点续训、评测全链路跑通，含真实数据接入。
|
||||
|
||||
### 未立住的部分 ❌
|
||||
- **跨实体泛化失败**：同数据集换机器就崩溃，不能称为「理解时序」。
|
||||
- **作为异常检测器**：合成域 VUS-PR 输 trivial，真实域 zero-shot 完全失效。
|
||||
- **zero-shot 跨域能力**：不存在。
|
||||
|
||||
### 方案定位
|
||||
作为「轻量 TS-modality 融合」的**研究性 PoC**，其核心价值在于**清晰、诚实地划定了能力边界**：合成域内可行，但当前架构无法泛化到真实时序。这是一个**有价值的负结果**——它明确排除了「0.5B LLM + 2 层 TS encoder + 单分布合成训练」这条路线做通用时序理解的可能性，优于任何「看起来 work 但未测跨域」的结果。
|
||||
|
||||
---
|
||||
|
||||
## 资产清单（封存保留）
|
||||
|
||||
**代码**（git-tracked）：
|
||||
- `src/tsmm/`：data/model/train/eval 完整模块
|
||||
- `scripts/`：gen/train/eval 监督脚本（含流式+断点续训）
|
||||
- `tests/`：158 单测全绿
|
||||
|
||||
**数据/模型**（git-ignore，本地保留）：
|
||||
- `data/align.jsonl`（50万）、`sft.jsonl`（10万）、`eval_synth.jsonl`（2k held-out）
|
||||
- `data/real/smd/`（SMD 3 机合并 npy）、`data/eval_real.jsonl`（machine-2-1 held-out）、`data/smd_ft/sft.jsonl`（machine-1-1/1-2 微调集）
|
||||
- `checkpoints/stage1/stage1_final.pt`（31250 步）、`checkpoints/stage2/`（9375 步 + lora）、`checkpoints/stage2_smd/`（SMD 微调 500 步）
|
||||
- `data/small_scale_backup/`（小规模对比备份）
|
||||
|
||||
**报告**（git-tracked，`reports/`）：
|
||||
- `eval-2026-06-30.md`：小规模首评（40/类）
|
||||
- `eval-2026-07-01.md`：全量重训评测（synth 全量 2000）
|
||||
- `eval-2026-07-02.md`：真实数据评测（synth + real，zero-shot 崩溃记录）
|
||||
- `instruct_check.json`：T4.2 指令遵循抽检
|
||||
|
||||
---
|
||||
|
||||
## 重启条件
|
||||
|
||||
若未来重启本方案，需满足以下任一前提（按预期 ROI 排序）：
|
||||
|
||||
1. **更大 encoder + 真实数据从头训练**：encoder >10M 参数，且用真实多数据集从头训练（非仅微调），让 encoder 有足够容量和分布覆盖学到通用表征。
|
||||
2. **channel-agnostic patch 策略**：消除「通道数」这一硬约束（当前 patch embed 固定 5 通道，是跨域的物理障碍），如 per-channel 独立编码后聚合。
|
||||
3. **多真实数据集混合训练验证泛化**：在 SMD/SWaT/PSM 等多个真实数据集上联合训练，并在完全 held-out 的数据集上验证——只有这种泛化成立，方案才算「通用」。
|
||||
|
||||
在以上任一条件未满足前，本方案不再投入。
|
||||
@@ -1,3 +1,7 @@
|
||||
## Status
|
||||
|
||||
**已封存（2026-07-02）**。完整诊断与结论见 `docs/diagnosis-2026-07-02-cross-domain.md`。摘要：合成域内有效（QA 2.41 vs pure_llm 0.89，TS token 消费率 0.98），但真实时序**跨实体泛化失败**——同 SMD 数据集换机器即崩溃为 garbage 输出。TS encoder（2层TF/2.1M参数）学到数据集特有模式而非通用时序表征。方案作为研究性 PoC 划定了能力边界（合成域可行/跨域不可行），资产保留，重启条件见诊断报告。
|
||||
|
||||
## Why
|
||||
|
||||
当前 AIOps 场景下，多变量时序的异常检测与解释仍依赖专用模型，缺乏「以自然语言对时序提问、做根因/事件关联推理」的统一能力。基于 `MTSAD-技术深度调研报告.md`，沿用 ChatTS「时序作为新模态」路线，我们希望在**单张 3060 12GB 消费级显卡**上做一个可复现的实验性落地，验证「把多变量时序视为独立模态、与文本/事件模态联合注入小型 LLM」这一方法在算力受限条件下是否切实可行、且「时序模态」是否真带来可量化的增益。现在做是因为：0.5B 级开源 LLM 与 PEFT/LoRA 工具链已足够成熟，使该实验在消费级硬件上首次成为可能。
|
||||
|
||||
@@ -50,3 +50,32 @@
|
||||
- ✅ **全量重训验证假设**：小规模时 VUS-PR 弱的根因是数据量（5万→50万），而非算法本身——全量后 VUS-PR +57% 且 Aff-F1 碾压 pure_llm。
|
||||
- 结论：实验性单卡管线全量跑通；模态融合 + QA + 时序定位（相对纯 LLM）均达成，绝对定位精度待后续。real benchmark（SMD/SWaT 等）需下载后补入 `data/eval_real.jsonl`
|
||||
- 全量训练产物：stage1 `stage1_final.pt`（31250 步 EMA 1.26）+ stage2 `stage2_final.pt`+`lora_adapter`（9375 步 EMA 0.75）
|
||||
|
||||
## 6. M6 · 真实 benchmark 接入与跨域诊断（封存前最终验证）
|
||||
|
||||
> 目的：回答「合成域有效，但方案能否泛化到真实时序？」这一决定性问题。结论决定方案去留。
|
||||
|
||||
- [x] 6.1 SMD 真实数据接入（`data/real/smd/`）：下载 NetManAIOps/OmniAnomaly 的 machine-1-1/1-2/2-1 的 test+test_label（.txt→.npy，3机合并 75867 步 ×38 通道，prevalence **5.8%** vs 合成 26%，构成低-prevalence 对照）。loader `real_bench._load_npy_pair('smd')` 验证通过
|
||||
- [x] 6.2 生成 `data/eval_real.jsonl`（SMD machine-2-1，46 样本：14 anomaly + 32 describe，严格 held-out）+ SMD 微调数据 `data/smd_ft/sft.jsonl`（machine-1-1/1-2，141 样本：47 anomaly + 94 describe）
|
||||
- [x] 6.3 zero-shot 跨域评测（`reports/eval-2026-07-02.md`，未微调 stage2）：
|
||||
- **real 上 model parse_rate=0、Aff-F1=0、QA=0.00**——输出是 repetition collapse（`aisonaison...`/`horizon: horizon:...`），LLM 在 OOD 输入下的典型崩溃；
|
||||
- VUS-PR=0.2263 恰好等于 all_report 是**假象**：解析失败→全 0 分数→vus_pr 退化为 prevalence，模型实际什么都没检测；
|
||||
- 干扰变量排除：改写 instruction（短/通用措辞）输出仍是垃圾，确认非指令长度/格式问题，是 TS embedding 分布偏移（38通道 vs 5通道、z-score 分布 vs 合成数值范围）。
|
||||
- [x] 6.4 SMD 微调实验（`checkpoints/stage2_smd/`，500 步 EMA 1.27→1.00）：从 stage2_final 继续训 LoRA on SMD train（machine-1-1/1-2）。
|
||||
- [x] 6.5 微调后跨实体泛化诊断（决定性实验）：
|
||||
- **SMD 训练域内**（machine-1-1/1-2）：4/5 产出合法 `{"anomaly_regions":[...]}` JSON ✅——机制正常；
|
||||
- **SMD held-out**（machine-2-1，同数据集/同 38 通道/仅换机器）：仍是垃圾输出 ❌；
|
||||
- 结论：**跨实体泛化失败**。同数据集换机器就崩溃，证明 TS encoder 学到的是数据集/机器特有模式，而非可泛化的时序表征。
|
||||
|
||||
### 初步结论（方案封存依据）
|
||||
|
||||
**证据链**：合成域内有效（QA 2.41 vs 0.89、change_rate 0.98）→ SMD 训练域内有效（4/5 合法 JSON）→ SMD held-out machine 崩溃（全 garbage）。
|
||||
|
||||
**方案意义与边界**（详见 `docs/diagnosis-2026-07-02-cross-domain.md`）：
|
||||
- ✅ **成立**：TS 模态融合机制可行（token 被消费、非噪声）；合成域内 QA 能力真实（TS 模态是必要非装饰）；格式学习能力正常（141 样本即可学会）。
|
||||
- ❌ **未立住**：跨实体泛化失败（同数据集换机器就崩）——非调参可解，是 TS encoder（2层TF/2.1M参数）学到数据集特有模式；合成域 VUS-PR 0.22 仍输 trivial；zero-shot 跨域不存在。
|
||||
- 🏷 **方案定位**：作为「轻量 TS-modality 融合」的研究性 PoC，其价值在于**清晰地划定了能力边界**——合成域内可行，但当前架构无法泛化到真实时序。这是有价值的负结果，优于任何「看起来 work 但未测跨域」的结果。
|
||||
|
||||
### 封存决定
|
||||
|
||||
**方案封存**。资产保留（代码/数据/checkpoints/报告均 git-tracked 或备份），不再投入。重启条件（任一即可）：① 更大 encoder（>10M 参数）+ 真实数据从头训练（非仅微调）；② channel-agnostic patch 策略（消除通道数硬约束）；③ 多真实数据集混合训练验证泛化。
|
||||
|
||||
@@ -0,0 +1,57 @@
|
||||
# Eval Report — 2026-07-02
|
||||
|
||||
Generated by `scripts/run_eval.sh` → `tsmm.eval.report`.
|
||||
|
||||
## Discipline notes
|
||||
- **Main metric: VUS-PR** (threshold-free).
|
||||
- **Point-F1 reported WITHOUT point-adjust.** PA-F1 shown separately as a CONTROL only.
|
||||
- Trivial baselines (random / constant / all-report) are included.
|
||||
- LLM-judge backend: `stub`.
|
||||
|
||||
## Dataset: synth
|
||||
|
||||
| predictor | n | VUS-PR | Aff-F1 | AUC-PR | Point-F1 | PA-F1(control) | parse_rate |
|
||||
|---|---|---|---|---|---|---|---|
|
||||
| model | 361 | 0.2241 | 0.2474 | 0.3050 | 0.2186 | 0.5018 | 0.98 |
|
||||
| pure_llm | 361 | 0.2420 | 0.0023 | 0.2941 | 0.0013 | 0.0071 | 0.01 |
|
||||
| random | 361 | 0.3266 | 0.3970 | 0.2689 | 0.3266 | 0.9771 | 1.00 |
|
||||
| constant | 361 | 0.2601 | 0.4302 | 0.2951 | 0.3914 | 1.0000 | 1.00 |
|
||||
| all_report | 361 | 0.2601 | 0.4302 | 0.2951 | 0.3914 | 1.0000 | 1.00 |
|
||||
|
||||
_PA = point-adjust; shown as control only, not headline._
|
||||
|
||||
### QA judge (stub 0-5) — synth
|
||||
|
||||
| predictor | anomaly | compare | describe | event | forecast | root_cause | mean |
|
||||
|---|---|---|---|---|---|---|---|
|
||||
| model | 2.45 | 2.75 | 1.34 | 3.89 | 0.03 | 3.99 | 2.41 |
|
||||
| pure_llm | 0.02 | 1.21 | 0.17 | 1.62 | 0.11 | 2.20 | 0.89 |
|
||||
| random | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
|
||||
| constant | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
|
||||
| all_report | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
|
||||
|
||||
_QA judge = offline stub token-overlap heuristic; swap `--judge_backend openai` for GPT-4o scoring._
|
||||
|
||||
## Dataset: real
|
||||
|
||||
| predictor | n | VUS-PR | Aff-F1 | AUC-PR | Point-F1 | PA-F1(control) | parse_rate |
|
||||
|---|---|---|---|---|---|---|---|
|
||||
| model | 39 | 0.2263 | 0.0000 | 0.4516 | 0.0000 | 0.0000 | 0.00 |
|
||||
| pure_llm | 39 | 0.2236 | 0.0001 | 0.4516 | 0.0000 | 0.0000 | 0.00 |
|
||||
| random | 39 | 0.2546 | 0.3070 | 0.2894 | 0.2546 | 0.9744 | 1.00 |
|
||||
| constant | 39 | 0.2263 | 0.3321 | 0.4516 | 0.3088 | 1.0000 | 1.00 |
|
||||
| all_report | 39 | 0.2263 | 0.3321 | 0.4516 | 0.3088 | 1.0000 | 1.00 |
|
||||
|
||||
_PA = point-adjust; shown as control only, not headline._
|
||||
|
||||
### QA judge (stub 0-5) — real
|
||||
|
||||
| predictor | anomaly | describe | mean |
|
||||
|---|---|---|---|
|
||||
| model | 0.00 | 0.00 | 0.00 |
|
||||
| pure_llm | 0.28 | 0.00 | 0.14 |
|
||||
| random | 0.00 | 0.00 | 0.00 |
|
||||
| constant | 0.00 | 0.00 | 0.00 |
|
||||
| all_report | 0.00 | 0.00 | 0.00 |
|
||||
|
||||
_QA judge = offline stub token-overlap heuristic; swap `--judge_backend openai` for GPT-4o scoring._
|
||||
Reference in New Issue
Block a user