論文の概要: ICAD-LLM: One-for-All Anomaly Detection via In-Context Learning with Large Language Models

• arxiv url: http://arxiv.org/abs/2512.01672v1
• Date: Mon, 01 Dec 2025 13:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.872754
• Title: ICAD-LLM: One-for-All Anomaly Detection via In-Context Learning with Large Language Models
• Title（参考訳）: ICAD-LLM:大規模言語モデルを用いたインコンテキスト学習による一対一異常検出
• Authors: Zhongyuan Wu, Jingyuan Wang, Zexuan Cheng, Yilong Zhou, Weizhi Wang, Juhua Pu, Chao Li, Changqing Ma,
• Abstract要約: 異常検出は多くの領域において重要な課題である。 In-Context Anomaly Detection (ICAD) という新しいパラダイムを導入する。 本パラダイムでは,大規模言語モデルのコンテキスト内学習能力を利用した統一ADフレームワークであるICAD-LLMを提案する。
• 参考スコア（独自算出の注目度）: 14.804039283733475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection (AD) is a fundamental task of critical importance across numerous domains. Current systems increasingly operate in rapidly evolving environments that generate diverse yet interconnected data modalities -- such as time series, system logs, and tabular records -- as exemplified by modern IT systems. Effective AD methods in such environments must therefore possess two critical capabilities: (1) the ability to handle heterogeneous data formats within a unified framework, allowing the model to process and detect multiple modalities in a consistent manner during anomalous events; (2) a strong generalization ability to quickly adapt to new scenarios without extensive retraining. However, most existing methods fall short of these requirements, as they typically focus on single modalities and lack the flexibility to generalize across domains. To address this gap, we introduce a novel paradigm: In-Context Anomaly Detection (ICAD), where anomalies are defined by their dissimilarity to a relevant reference set of normal samples. Under this paradigm, we propose ICAD-LLM, a unified AD framework leveraging Large Language Models' in-context learning abilities to process heterogeneous data within a single model. Extensive experiments demonstrate that ICAD-LLM achieves competitive performance with task-specific AD methods and exhibits strong generalization to previously unseen tasks, which substantially reduces deployment costs and enables rapid adaptation to new environments. To the best of our knowledge, ICAD-LLM is the first model capable of handling anomaly detection tasks across diverse domains and modalities.
• Abstract（参考訳）: 異常検出(AD)は多くの領域において重要な課題である。 現在のシステムは、現代のITシステムで例示されるように、時系列、システムログ、テーブルレコードなど、多種多様な相互接続データモダリティを生成する、急速に進化する環境において、ますます運用されている。 このような環境での効果的なAD手法は、(1)統一されたフレームワーク内で不均一なデータフォーマットを処理し、異常なイベント中に複数のモダリティを一貫した方法で処理し、検出できる能力、(2)広範囲なリトレーニングなしに新しいシナリオに迅速に適応できる強力な一般化能力の2つの重要な機能を持つ必要がある。 しかし、既存のほとんどのメソッドは、単一のモダリティに重点を置いており、ドメインをまたいだ一般化の柔軟性が欠如しているため、これらの要件を満たさない。 In-Context Anomaly Detection (ICAD, In-Context Anomaly Detection) では、異常が正常サンプルの関連参照集合と類似性によって定義される。 本パラダイムでは,大規模言語モデルのコンテキスト内学習能力を利用した統一ADフレームワークであるICAD-LLMを提案する。 大規模実験により, ICAD-LLMはタスク固有のAD手法と競合する性能を示し, 従来見つからなかったタスクへの強力な一般化を示し, 展開コストを大幅に削減し, 新たな環境への迅速な適応を可能にした。 我々の知る限り、ICAD-LLMは様々な領域やモダリティにわたる異常検出タスクを処理できる最初のモデルである。

関連論文リスト

• Towards Modality Generalization: A Benchmark and Prospective Analysis [68.20973671493203]
  本稿では,モダリティ・ジェネリゼーション(MG)について述べる。 マルチモーダルアルゴリズムを特徴とする包括的ベンチマークを提案し,一般化に着目した既存手法を適用した。 私たちの研究は、堅牢で適応可能なマルチモーダルモデルを進化させる基盤を提供し、現実的なシナリオで目に見えないモダリティを扱えるようにします。
  論文  参考訳（メタデータ） (2024-12-24T08:38:35Z)
• Bridging the Gap for Test-Time Multimodal Sentiment Analysis [7.871669754963032]
  マルチモーダル感情分析(マルチモーダル感情分析、Multimodal sentiment analysis、MSA)は、複数のモーダルを通して人間の感情や感情を理解し、認識することを目的とした、新たな研究トピックである。 本稿では,コントラスト適応(Contrastive Adaptation)と安定擬似ラベル生成(Stable Pseudo-label generation, CASP)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T02:26:33Z)
• DG-PIC: Domain Generalized Point-In-Context Learning for Point Cloud Understanding [41.49771026674969]
  本稿では,ドメイン一般化ポイントクラウド理解のための統一モデルにおいて,複数のドメインと複数のタスクを扱う,新しい,実用的なマルチドメインマルチタスク設定を提案する。 我々のDG-PICは、テスト中にモデル更新を一切必要とせず、見えないドメインと複数のタスク、例えば、ポイントクラウドの再構築、デノナイズ、登録を1つの統一モデルで処理できる。
  論文  参考訳（メタデータ） (2024-07-11T18:21:40Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• Scalable Language Model with Generalized Continual Learning [58.700439919096155]
  The Joint Adaptive Re-ization (JARe) is integrated with Dynamic Task-related Knowledge Retrieval (DTKR) to enable adapt adjust of language model based on specific downstream task。 提案手法は,様々なバックボーンやベンチマーク上での最先端性能を実証し,最小限の忘れを伴い,フルセットおよび少数ショットのシナリオにおいて効果的な連続学習を実現する。
  論文  参考訳（メタデータ） (2024-04-11T04:22:15Z)
• Generalization Properties of Retrieval-based Models [50.35325326050263]
  検索ベースの機械学習手法は、幅広い問題で成功をおさめた。 これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。 本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
  論文  参考訳（メタデータ） (2022-10-06T00:33:01Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)

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。