Elif Beyza Akyıldız, Mehmet Ali Erkan ve Ceylan Yozgatlıgil tarafından hazırlanan “A Compositional Data Analysis Framework for Diagnosing LLM Reasoning over Time Series Anomalies” başlıklı çalışma, 29 Haziran–1 Temmuz 2026 tarihleri arasında Trento, İtalya’da düzenlenen Data Science, Statistics and Visualizations (DSSV 2026) konferansında poster olarak sunulmuştur.
Çalışmada, büyük dil modellerinin çok değişkenli zaman serilerindeki anomalileri değerlendirirken sensör kanallarına dağıttığı dikkat örüntülerinin nasıl yorumlanabileceği araştırılmaktadır. Dikkat dağılımlarını kompozisyonel veri olarak ele alan yöntemde, merkezlenmiş log-oran dönüşümü ve temel bileşenler analizi kullanılarak model davranışları geometrik bir yapıda görselleştirilmektedir. Biplot gösterimleri sayesinde modellerin dikkat dağılımları, sensörlerin katkıları ve anomali tespit performansı birlikte incelenebilmektedir.
RATS-40K veri seti üzerinde farklı sensör alanları, anomali türleri ve komutla eğitilmiş büyük dil modelleri kullanılarak değerlendirilen yaklaşım; yalnızca modelin dikkat çıktılarından yararlanması, farklı model mimarilerine uygulanabilmesi ve çok değişkenli zaman serilerinde açıklanabilir yapay zekâ çalışmalarına yeni bir bakış sunmasıyla öne çıkmaktadır.