Fugu-MT 論文翻訳(概要): ZeroLog: Zero-Label Generalizable Cross-System Log-based Anomaly Detection

論文の概要: ZeroLog: Zero-Label Generalizable Cross-System Log-based Anomaly Detection

arxiv url: http://arxiv.org/abs/2511.05862v1
Date: Sat, 08 Nov 2025 05:30:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:44.621842
Title: ZeroLog: Zero-Label Generalizable Cross-System Log-based Anomaly Detection
Title（参考訳）: ZeroLog: Zero-Label Generalizable Cross-System Log-based Anomaly Detection
Authors: Xinlong Zhao, Tong Jia, Minghua He, Ying Li, Gang Huang,
Abstract要約: ZeroLogは、ゼロラベル条件下でのシステム間ログベースの異常検出を可能にする、システムに依存しない表現メタラーニング手法である。我々はZeroLogがラベルなしで80%以上のF1スコアに達し、ラベル付きログでトレーニングされた最先端のクロスシステムメソッドに匹敵し、ゼロラベル条件下で既存のメソッドよりも優れていることを示す。
参考スコア（独自算出の注目度）: 13.441063641941037
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Log-based anomaly detection is an important task in ensuring the stability and reliability of software systems. One of the key problems in this task is the lack of labeled logs. Existing works usually leverage large-scale labeled logs from mature systems to train an anomaly detection model of a target system based on the idea of transfer learning. However, these works still require a certain number of labeled logs from the target system. In this paper, we take a step forward and study a valuable yet underexplored setting: zero-label cross-system log-based anomaly detection, that is, no labeled logs are available in the target system. Specifically, we propose ZeroLog, a system-agnostic representation meta-learning method that enables cross-system log-based anomaly detection under zero-label conditions. To achieve this, we leverage unsupervised domain adaptation to perform adversarial training between the source and target domains, aiming to learn system-agnostic general feature representations. By employing meta-learning, the learned representations are further generalized to the target system without any target labels. Experimental results on three public log datasets from different systems show that ZeroLog reaches over 80% F1-score without labels, comparable to state-of-the-art cross-system methods trained with labeled logs, and outperforms existing methods under zero-label conditions.
Abstract（参考訳）: ログベースの異常検出は、ソフトウェアシステムの安定性と信頼性を確保する上で重要なタスクである。このタスクの大きな問題の1つは、ラベル付きログの欠如である。既存の研究は通常、成熟したシステムからの大規模ラベル付きログを利用して、転送学習のアイデアに基づいてターゲットシステムの異常検出モデルを訓練する。しかしながら、これらの作業は、ターゲットシステムから一定の数のラベル付きログを必要とする。本稿では,ゼロラベルのクロスシステムログに基づく異常検出,すなわち,対象システムではラベル付きログが利用できないという,重要で未探索な設定について,一歩前進して検討する。具体的には,ゼロラベル条件下でのシステム間ログに基づく異常検出を可能にする,システムに依存しない表現メタ学習手法であるZeroLogを提案する。これを実現するために、教師なし領域適応を利用してソースとターゲット領域間の敵対的訓練を行い、システムに依存しない汎用特徴表現を学習する。メタラーニングを用いることで、学習された表現は、ターゲットラベルなしでターゲットシステムにさらに一般化される。異なるシステムからの3つの公開ログデータセットの実験結果から、ZeroLogはラベルなしで80%以上のF1スコアに達しており、ラベル付きログでトレーニングされた最先端のクロスシステムメソッドに匹敵する。

関連論文リスト

Generality Is Not Enough: Zero-Label Cross-System Log-Based Anomaly Detection via Knowledge-Level Collaboration [10.873294740040912]
GeneralLogはゼロラベルのクロスシステムログ異常検出のための新しい協調手法である。 GeneralLogは、100%ゼロラベル設定で90%以上のF1スコアを達成し、既存のメソッドを大幅に上回っている。
論文参考訳（メタデータ） (2025-11-08T06:47:28Z)
FusionLog: Cross-System Log-based Anomaly Detection via Fusion of General and Proprietary Knowledge [10.135000927533385]
FusionLogはゼロラベルのクロスシステムによる新しい異常検出手法である。汎用知識とプロプライエタリ知識の融合を実現し、ターゲットログをラベル付けせずにシステム間一般化を可能にする。実験の結果、FusionLogは100%ゼロラベル設定で90%以上のF1スコアを達成することがわかった。
論文参考訳（メタデータ） (2025-11-08T06:30:50Z)
LogAction: Consistent Cross-system Anomaly Detection through Logs via Active Domain Adaptation [20.437756988997418]
アクティブドメイン適応に基づく新しいログベース異常検出モデルであるLogActionを提案する。一方、成熟したシステムのラベル付きデータを使用してベースモデルをトレーニングし、アクティブな学習におけるコールドスタート問題を緩和する。一方、LogActionは、自由エネルギーに基づくサンプリングと不確実性に基づくサンプリングを利用して、手動ラベリングのための分布境界に位置するログを選択する。
論文参考訳（メタデータ） (2025-09-29T07:09:19Z)
From Few-Label to Zero-Label: An Approach for Cross-System Log-Based Anomaly Detection with Meta-Learning [14.506853344375342]
システム間転送は重要な研究方向として特定されている。ラベル付きターゲットシステムログの必要性を解消する,システムに依存しないメタラーニング手法であるFreeLogを提案する。 FreeLogは、ターゲットシステムから少量のラベル付きデータに依存する最先端のメソッドに匹敵するパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-07-26T05:38:51Z)
LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。そして、そのような知識を共有パラメータを介して対象領域に転送する。
論文参考訳（メタデータ） (2024-01-09T12:55:21Z)
Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
論文参考訳（メタデータ） (2023-08-24T06:50:07Z)
PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2023-01-25T16:34:43Z)
LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
論文参考訳（メタデータ） (2021-11-02T15:16:08Z)
Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文参考訳（メタデータ） (2021-02-23T09:17:05Z)
Self-Attentive Classification-Based Anomaly Detection in Unstructured Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文参考訳（メタデータ） (2020-08-21T07:26:55Z)

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。