論文の概要: LogReasoner: Empowering LLMs with Expert-like Coarse-to-Fine Reasoning for Automated Log Analysis

• arxiv url: http://arxiv.org/abs/2509.20798v2
• Date: Sat, 27 Sep 2025 09:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 14:13:47.627332
• Title: LogReasoner: Empowering LLMs with Expert-like Coarse-to-Fine Reasoning for Automated Log Analysis
• Title（参考訳）: LogReasoner: 自動ログ分析のためのエキスパートライクな粗相関推論によるLLMの強化
• Authors: Lipeng Ma, Yixuan Li, Weidong Yang, Mingjie Zhou, Xinyi Liu, Ben Fei, Shuhao Li, Xiaoyan Sun, Sihang Jiang, Yanghua Xiao,
• Abstract要約: 汎用大規模言語モデル(LLM)は、専門家の認識と整合した構造化推論を定式化し、推論ステップの正確な詳細を提供するのに苦労する。 我々は,LLMが専門家のようなログ解析タスクを推論できるように設計された粗粒度拡張フレームワークであるLogReasonerを提案する。 我々は,Qwen-2.5 や Llama-3 といったオープンソースの LLM を用いて,ログ解析の4つのタスクについてLogReasoner の評価を行った。
• 参考スコア（独自算出の注目度）: 66.79746720402811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Log analysis is crucial for monitoring system health and diagnosing failures in complex systems. Recent advances in large language models (LLMs) offer new opportunities for automated log analysis, leveraging their reasoning capabilities to perform tasks such as anomaly detection and failure prediction. However, general-purpose LLMs struggle to formulate structured reasoning workflows that align with expert cognition and deliver precise details of reasoning steps. To address these challenges, we propose LogReasoner, a coarse-to-fine reasoning enhancement framework designed to enable LLMs to reason log analysis tasks like experts. LogReasoner consists of two stages: (1) coarse-grained enhancement of expert thinking, where high-level expert thoughts are constructed from collected troubleshooting flowcharts and existing tasks to enable LLMs to formulate structured reasoning workflows and (2) fine-grained enhancement of specific steps, where we first fine-tune the LLM with task-specific stepwise solutions to enhance the LLM for instantiated reasoning, then employ the preference learning to calibrate the LLM's reasoning details from its mistakes, further strengthen the LLM's analytical granularity and correctness. We evaluate LogReasoner on four distinct log analysis tasks using open-source LLMs such as Qwen-2.5 and Llama-3. Experimental results show that LogReasoner significantly outperforms existing LLMs, achieving state-of-the-art performance and demonstrating its effectiveness in enhancing the reasoning capabilities of LLMs for log analysis.
• Abstract（参考訳）: ログ分析は、システムの健全性を監視し、複雑なシステムの障害を診断するために重要である。 大規模言語モデル(LLM)の最近の進歩は、自動ログ分析の新たな機会を提供し、その推論能力を活用して、異常検出や障害予測などのタスクを実行する。 しかし、汎用LLMは、専門家の認知と整合し、推論ステップの正確な詳細を提供する構造化推論ワークフローを定式化するのに苦労する。 これらの課題に対処するため、我々は、LLMが専門家のようなログ分析タスクを推論できるように設計された粗大な推論拡張フレームワークであるLogReasonerを提案する。 LogReasoner は,(1) 専門家思考の粗大な強化,(1) トラブルシューティングフローチャートと既存のタスクから高レベルの専門家思考を構築して構造化推論ワークフローを定式化する,(2) 特定のステップをきめ細かな拡張,(2) タスク特異的なステップワイドなソリューションで LLM を微調整し,その誤りから LLM の推論詳細を校正し,さらに LLM の分析的粒度と正しさを高める,という2つの段階から構成される。 我々は,Qwen-2.5 や Llama-3 といったオープンソースの LLM を用いて,ログ解析の4つのタスクについてLogReasoner の評価を行った。 実験の結果,LogReasoner は既存の LLM を著しく上回り,最先端性能を実現し,ログ解析における LLM の推論能力の向上に有効であることが示された。

関連論文リスト

• AdaptiveLog: An Adaptive Log Analysis Framework with the Collaboration of Large and Small Language Model [42.72663245137984]
  本稿では、AdaptiveLogとして知られる適応ログ分析フレームワークを紹介する。 優れた結果を確保しつつ、LLMに関連するコストを効果的に削減する。 実験では、AdaptiveLogがさまざまなタスクにまたがって最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-01-19T12:46:01Z)
• Exploring Self-supervised Logic-enhanced Training for Large Language Models [59.227222647741094]
  本稿では,自己指導型ポストトレーニングによる論理的知識の活用の可能性について検討する。 我々はMERItの自己回帰的目的変数を考案し、パラメータサイズが30億から13億の2つのLLM系列、すなわちFLAN-T5とLLaMAと統合する。 2つの挑戦的な論理的推論ベンチマークの結果は、LogicLLMの有効性を示している。
  論文  参考訳（メタデータ） (2023-05-23T06:13:10Z)

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。