論文の概要: Good Enough to Learn: LLM-based Anomaly Detection in ECU Logs without Reliable Labels

• arxiv url: http://arxiv.org/abs/2507.01077v1
• Date: Tue, 01 Jul 2025 14:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.839375
• Title: Good Enough to Learn: LLM-based Anomaly Detection in ECU Logs without Reliable Labels
• Title（参考訳）: LLMによる信頼性ラベルのないECUログの異常検出
• Authors: Bogdan Bogdan, Arina Cazacu, Laura Vasilie,
• Abstract要約: 異常検出は、しばしば監視またはクラスタリングのアプローチに依存し、自動車通信システムのような専門分野において限られた成功を収める。 本稿では,電子制御ユニット(ECU)通信ログの異常を検出するために,新しいデコーダのみの大規模言語モデル(LLM)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection often relies on supervised or clustering approaches, with limited success in specialized domains like automotive communication systems where scalable solutions are essential. We propose a novel decoder-only Large Language Model (LLM) to detect anomalies in Electronic Control Unit (ECU) communication logs. Our approach addresses two key challenges: the lack of LLMs tailored for ECU communication and the complexity of inconsistent ground truth data. By learning from UDP communication logs, we formulate anomaly detection simply as identifying deviations in time from normal behavior. We introduce an entropy regularization technique that increases model's uncertainty in known anomalies while maintaining consistency in similar scenarios. Our solution offers three novelties: a decoder-only anomaly detection architecture, a way to handle inconsistent labeling, and an adaptable LLM for different ECU communication use cases. By leveraging the generative capabilities of decoder-only models, we present a new technique that addresses the high cost and error-prone nature of manual labeling through a more scalable system that is able to learn from a minimal set of examples, while improving detection accuracy in complex communication environments.
• Abstract（参考訳）: 異常検出は、しばしば教師付きまたはクラスタリングのアプローチに依存し、スケーラブルなソリューションが不可欠である自動車通信システムのような特殊なドメインで限られた成功を収める。 本稿では,電子制御ユニット(ECU)通信ログの異常を検出するために,新しいデコーダのみの大規模言語モデル(LLM)を提案する。 提案手法は,ECU通信に適したLLMの欠如と,一貫性のない地上真実データの複雑化という2つの課題に対処する。 UDP通信ログから学習することで、異常検出を正常な行動から逸脱を識別するだけに定式化する。 同様のシナリオにおける一貫性を維持しながら、既知の異常におけるモデルの不確実性を増大させるエントロピー正則化手法を導入する。 提案ソリューションでは,デコーダのみの異常検出アーキテクチャ,一貫性のないラベリング処理方法,ECU通信の異なるユースケースに対して適応可能なLLMの3つの新機能を提供する。 本稿では,デコーダのみのモデルの生成能力を生かして,複雑な通信環境における検出精度の向上を図りながら,最小限の例から学習可能な,よりスケーラブルなシステムを通じて手動ラベリングの高コスト・エラー発生特性に対処する手法を提案する。

関連論文リスト

• Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
  オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。 本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。 実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-03T19:30:11Z)
• Multimodal Instruction Disassembly with Covariate Shift Adaptation and Real-time Implementation [3.70729078195191]
  我々は、ターゲットデバイスから電力とEMを同時に収集できる新しい小型プラットフォーム、RASCv3を導入する。 我々は情報理論を用いてパワーとEMトレースから特徴を組み合わせ、選択するための新しいアプローチを考案した。 オフラインおよびリアルタイムの命令分解器の認識率は、単一および複数モードの場合と比較する。
  論文  参考訳（メタデータ） (2024-12-10T17:00:23Z)
• Semantic Communication for Cooperative Perception using HARQ [51.148203799109304]
  我々は重要セマンティック情報を抽出するために重要地図を活用し、協調的な知覚セマンティックコミュニケーションフレームワークを導入する。 周波数分割多重化(OFDM)とチャネル推定と等化戦略を併用して,時間変化によるマルチパスフェーディングによる課題に対処する。 我々は,ハイブリッド自動繰り返し要求(HARQ)の精神において,我々の意味コミュニケーションフレームワークと統合された新しい意味エラー検出手法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:53:26Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• Minimal-Configuration Anomaly Detection for IIoT Sensors [0.2462953128215087]
  業界における低コストのIoTセンサプラットフォームは、異常検出ソリューションの需要を高めている。 近年のディープラーニング技術はセンサデータ記録における異常検出に有望な方法を提供している。 本研究は,一般的な異常検出手法への第一歩だと考えている。
  論文  参考訳（メタデータ） (2021-10-08T11:52:52Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Supervised Anomaly Detection via Conditional Generative Adversarial Network and Ensemble Active Learning [24.112455929818484]
  異常検出はマシンインテリジェンスに広く応用されているが、未解決の問題である。 従来の教師なし異常検出器は最適以下であり、教師付きモデルはバイアス予測を容易に行うことができる。 Ensemble Active Learning Generative Adversarial Network (EAL-GAN) の導入により,新たな教師付き異常検知器を提案する。
  論文  参考訳（メタデータ） (2021-04-24T13:47:50Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。