Fugu-MT 論文翻訳(概要): $K^4$: Online Log Anomaly Detection Via Unsupervised Typicality Learning

論文の概要: $K^4$: Online Log Anomaly Detection Via Unsupervised Typicality Learning

arxiv url: http://arxiv.org/abs/2507.20051v1
Date: Sat, 26 Jul 2025 20:24:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-29 16:23:56.773949
Title: $K^4$: Online Log Anomaly Detection Via Unsupervised Typicality Learning
Title（参考訳）: K^4$: 教師なし典型学習によるオンラインログ異常検出
Authors: Weicong Chen, Vikash Singh, Zahra Rahmani, Debargha Ganguly, Mohsen Hariri, Vipin Chaudhary,
Abstract要約: K4$は任意のログ埋め込みをコンパクトな4次元記述子に変換する。これらのディスクリプタは、軽量検出器が再トレーニングせずに正確に異常を判定することを可能にする。 K4$は、高性能なオンライン検出のための最先端技術だ。
参考スコア（独自算出の注目度）: 2.9439986610695974
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing Log Anomaly Detection (LogAD) methods are often slow, dependent on error-prone parsing, and use unrealistic evaluation protocols. We introduce $K^4$, an unsupervised and parser-independent framework for high-performance online detection. $K^4$ transforms arbitrary log embeddings into compact four-dimensional descriptors (Precision, Recall, Density, Coverage) using efficient k-nearest neighbor (k-NN) statistics. These descriptors enable lightweight detectors to accurately score anomalies without retraining. Using a more realistic online evaluation protocol, $K^4$ sets a new state-of-the-art (AUROC: 0.995-0.999), outperforming baselines by large margins while being orders of magnitude faster, with training under 4 seconds and inference as low as 4 $\mu$s.
Abstract（参考訳）: 既存のLog Anomaly Detection (LogAD) メソッドは、しばしば遅く、エラーを起こしやすい解析に依存し、非現実的な評価プロトコルを使用する。高速オンライン検出のための教師なしおよびパーサに依存しないフレームワークであるK^4$を紹介した。 K^4$は、効率的なk-nearest neighbor(k-NN)統計を用いて、任意のログ埋め込みをコンパクトな4次元記述子(精度、リコール、密度、カバレッジ)に変換する。これらのディスクリプタは、軽量検出器が再トレーニングせずに正確に異常を判定することを可能にする。より現実的なオンライン評価プロトコルを使用して、$K^4$は新たな最先端(AUROC: 0.995-0.999)を設定し、4秒以下のトレーニングと4ドルの推論で、大きなマージンでベースラインを上回っている。

関連論文リスト

First Finish Search: Efficient Test-Time Scaling in Large Language Models [20.62274005080048]
First Finish Search(FFS)は、トレーニング不要の並列デコード戦略で、独立して$n$のサンプルをローンチし、任意のサンプルが完成したらすぐに返却する。 FFSは、AIMEデータセットで82.23%の精度を達成し、DeepSeek-R1のスタンドアロンの精度よりも15%$改善され、OpenAIのo4-miniのパフォーマンスとほぼ一致する。
論文参考訳（メタデータ） (2025-05-23T17:57:43Z)
Locally minimax optimal and dimension-agnostic discrete argmin inference [33.17951971728784]
この論文は基本的な推論問題に取り組む:$d$次元ベクトルから未知の平均$boldsymbolmu$を持つ$d$次元ベクトルから$n$の観測を与えられると、$boldsymbolmu$の最小成分に対応する指数に対する信頼セットを形成する必要がある。双対性により、$mu_r$が最小かどうかに関わらず、$r$の$1,ldots,d$に対して、これをテストに還元する。我々は$d$が$n$でスケールするか、$boldの任意の関係にかかわらず、妥当性を維持する「次元に依存しない」テストを提案する。
論文参考訳（メタデータ） (2025-03-27T16:06:07Z)
Certified Robustness Under Bounded Levenshtein Distance [55.54271307451233]
畳み込み型分類器のリプシッツ定数をレヴェンシュテイン距離に対して計算する最初の方法を提案する。我々の方法であるLipsLevは、それぞれ18.80ドル%と13.93ドル%の精度を1ドルと2ドルで得ることができる。
論文参考訳（メタデータ） (2025-01-23T13:58:53Z)
Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
論文参考訳（メタデータ） (2024-07-21T15:49:05Z)
Pruner: A Draft-then-Verify Exploration Mechanism to Accelerate Tensor Program Tuning [11.139231636612479]
プログラムチューニングを高速化するために,Pruner と MoA-Pruner を提案する。 Prunerはスケジュール探索を高速化する"Draft-then-Verify"探索メカニズムである。 MoA-Prunerは、クロスプラットフォームのオンライン無意識に対処するためのMomentumオンライン適応戦略を導入した。
論文参考訳（メタデータ） (2024-02-04T06:11:12Z)
Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文参考訳（メタデータ） (2023-11-03T13:20:11Z)
Online Corrupted User Detection and Regret Minimization [49.536254494829436]
現実世界のオンラインウェブシステムでは、複数のユーザがシステムに順次到着する。乱れた行動から未知のユーザ関係を学習・活用するために,LOCUDという重要なオンライン学習問題を提案する。我々はRCLUB-WCUの推測ユーザ関係に基づく新しいオンライン検出アルゴリズムOCCUDを考案した。
論文参考訳（メタデータ） (2023-10-07T10:20:26Z)
Provably Efficient Neural Offline Reinforcement Learning via Perturbed Rewards [33.88533898709351]
VIPeRは、ランダム化された値関数のアイデアと悲観主義の原理を一致させる。オフラインデータを複数回摂動することで、暗黙的に悲観性を得る。ニューラルネットワーク関数近似を用いた一般的なマルコフ決定過程(MDP)において、証明可能かつ計算的に効率的である。
論文参考訳（メタデータ） (2023-02-24T17:52:12Z)
FRAPPE: $\underline{\text{F}}$ast $\underline{\text{Ra}}$nk $\underline{\text{App}}$roximation with $\underline{\text{E}}$xplainable Features for Tensors [5.39764619690516]
FRAPPEは、CDDを計算することなくテンソルの正準ランクを推定する最初の方法である。最高のパフォーマンスのベースラインよりも24倍以上高速で、合成データセット上でMAPEが10%改善されている。
論文参考訳（メタデータ） (2022-06-19T03:19:59Z)
Provably Efficient Offline Reinforcement Learning with Trajectory-Wise Reward [66.81579829897392]
我々はPessimistic vAlue iteRaTionとrEward Decomposition (PARTED)という新しいオフライン強化学習アルゴリズムを提案する。 PartEDは、最小2乗ベースの報酬再分配を通じて、ステップごとのプロキシ報酬に軌道を分解し、学習したプロキシ報酬に基づいて悲観的な値を実行する。私たちの知る限りでは、PartEDは、トラジェクティブな報酬を持つ一般のMDPにおいて、証明可能な効率のよい最初のオフラインRLアルゴリズムである。
論文参考訳（メタデータ） (2022-06-13T19:11:22Z)
ZippyPoint: Fast Interest Point Detection, Description, and Matching through Mixed Precision Discretization [71.91942002659795]
我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
論文参考訳（メタデータ） (2022-03-07T18:59:03Z)
Achieving differential privacy for $k$-nearest neighbors based outlier detection by data partitioning [0.3437656066916039]
我々は、$k$-NNに基づく外乱検出のための差分プライベート(epsilon$-DP)アプローチを開発した。提案手法は,提案手法を参照不整合データに対する適合ステップに分離し,新しいデータに適用することで,$k$-NNに基づく外れ値検出を行う手法である。提案手法は,$k$-NNの非プライベートバージョンと比較して,次元の異なる実世界のデータに対して,ほぼ最適な性能が得られる。
論文参考訳（メタデータ） (2021-04-16T07:35:26Z)
Beta-CROWN: Efficient Bound Propagation with Per-neuron Split Constraints for Complete and Incomplete Neural Network Verification [151.62491805851107]
私たちは、ニューロン毎の分割を完全にエンコードできるバウンド伝搬ベースの検証器である$beta$-crownを開発した。 Beta$-CROWNはLPベースのBaB法よりも3桁近い速さで堅牢性検証が可能です。 BaBを早期に終了することにより、不完全な検証にも使用できます。
論文参考訳（メタデータ） (2021-03-11T11:56:54Z)

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。