本文探讨了大型语言模型（LLMs）在时间序列异常检测和动态图推荐中的应用。通过知识蒸馏和新框架DynLLM，LLMs在多个数据集上表现优异，尤其在UCR数据集中提高了14.5%的准确性。文章指出LLMs面临的数据依赖和模型幻觉等挑战，并提出整合多模态数据和强调可解释性等解决方案。此外，研究展示了LLMs在动态图中的时空理解能力及其在图学习任务中的潜力。

CARLA是一种自监督对比表示学习方法，用于时间序列异常检测。它通过学习时间上接近的窗口的相似表示和窗口及其等效异常窗口的不相似表示，以及使用自监督方法对窗口的正常/异常表示进行分类。CARLA在多个基准数据集上表现出比现有方法更好的性能，突显了对比表示学习在时间序列异常检测领域的潜力。