論文の概要: Log anomaly detection via Meta Learning and Prototypical Networks for Cross domain generalization

• arxiv url: http://arxiv.org/abs/2601.14336v1
• Date: Tue, 20 Jan 2026 12:09:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.105396
• Title: Log anomaly detection via Meta Learning and Prototypical Networks for Cross domain generalization
• Title（参考訳）: クロスドメイン一般化のためのメタラーニングとプロトタイプネットワークによるログ異常検出
• Authors: Krishna Sharma, Vivek Yelleti,
• Abstract要約: 本稿では,ログ異常を検出するメタラーニング手法に基づくエンドツーエンドフレームワークを提案する。 提案手法は,Drain3ログ解析機構と動的ドリフトベースラベリング手法を組み合わせることで,まずデータを準備する。 Model Agnostic Meta-Learning (MAML)とPrototypeal Networksモデルは、迅速かつ効果的に適応するように訓練されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Log anomaly detection is essential for system reliability, but it is extremely challenging to do considering it involves class imbalance. Additionally, the models trained in one domain are not applicable to other domains, necessitating the need for cross-domain adaptation (such as HDFS and Linux). Traditional detection models often fail to generalize due to significant data drift and the inherent absence of labeled anomalies in new target domains. To handle the above challenges, we proposed a new end-to-end framework based on a meta-learning approach. Our methodology first gets the data ready by combining a Drain3 log parsing mechanism with a dynamic drift-based labeling technique that uses semantic and fuzzy matching to move existing anomaly knowledge from one source to another. BERT-based semantic embeddings are obtained, and the feature selection is invoked to reduce the dimensionality. Later, Model Agnostic Meta-Learning (MAML) and Prototypical Networks models are trained to adapt quickly and effectively. The SMOTE oversampling method is employed to handle imbalances in the data. All the results are obtained by employing the leave-one-out source method, and the corresponding mean F1 scores are reported. Our empirical findings validate that the proposed meta-learning-driven approach yielded the highest mean F1 score and proved to be effective for cross-domain settings.
• Abstract（参考訳）: ログ異常検出はシステムの信頼性に不可欠だが、クラス不均衡を考慮に入れることは極めて困難である。 さらに、あるドメインでトレーニングされたモデルは、他のドメインには適用されず、ドメイン間の適応(HDFSやLinuxなど)を必要とします。 従来の検出モデルは、大きなデータドリフトと、新しいターゲットドメインにラベル付き異常が固有の欠如のために、しばしば一般化に失敗する。 上記の課題に対処するため、メタラーニングアプローチに基づいた新しいエンドツーエンドフレームワークを提案しました。 提案手法はまず,Drain3ログ解析機構と動的ドリフトベースラベリング技術を組み合わせて,意味的およびファジィマッチングを用いて,既存の異常知識をあるソースから別のソースへ移動させる。 BERTベースのセマンティック埋め込みが得られ、その次元を小さくするために特徴選択が実行される。 その後、モデル非依存メタラーニング(MAML)とプロトタイプネットワークモデルは、迅速かつ効果的に適応するように訓練される。 SMOTEオーバーサンプリング法はデータの不均衡を扱うために用いられる。 アウトアウト源法を用いて全ての結果が得られ、対応する平均F1スコアが報告される。 実験の結果,メタラーニングによるアプローチではF1スコアが最も高く,ドメイン間設定に有効であることが確認された。

関連論文リスト

• Domain-Shift Immunity in Deep Deformable Registration via Local Feature Representations [0.2864713389096699]
  ドメインシフトは、深い変形可能な登録モデルの固有の特性であることを示す。 変形推定から特徴抽出を分離するユニバーサル登録フレームワークUniRegを導入する。 単一のデータセットでのトレーニングにもかかわらず、UniRegは、最適化ベースのメソッドに匹敵する堅牢なクロスドメインとマルチモーダルパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-12-29T02:10:52Z)
• EReLiFM: Evidential Reliability-Aware Residual Flow Meta-Learning for Open-Set Domain Generalization under Noisy Labels [85.78886153628663]
  Open-Set Domain Generalizationは、ディープラーニングモデルが新しいドメインで目に見えないカテゴリを認識できるようにすることを目的としている。 ラベルノイズは、ソースドメインの知識を損なうことによって、オープンセットドメインの一般化を妨げる。 本稿では,ドメインギャップを埋めるために,Evidential Reliability-Aware Residual Flow Meta-Learning (EReLiFM)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:23:11Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• DRIVE: Dual-Robustness via Information Variability and Entropic Consistency in Source-Free Unsupervised Domain Adaptation [10.127634263641877]
  ラベル付きデータなしで機械学習モデルを新しいドメインに適応させることは、医療画像、自律運転、リモートセンシングといったアプリケーションにおいて重要な課題である。 Source-Free Unsupervised Domain Adaptation (SFUDA)と呼ばれるこのタスクでは、未ラベルのターゲットデータのみを使用して、トレーニング済みのモデルをターゲットドメインに適応させる。 既存のSFUDAメソッドは、しばしば単一モデルアーキテクチャに依存し、ターゲットドメインにおける不確実性と可変性に悩まされる。 本稿では、2重モデルアーキテクチャを利用した新しいSFUDAフレームワークDRIVEを提案する。
  論文  参考訳（メタデータ） (2024-11-24T20:35:04Z)
• OMLog: Online Log Anomaly Detection for Evolving System with Meta-learning [10.181157278476428]
  OMLogはリアルタイムかつ信頼性の高いオンラインログ異常検出モデルである。 本稿では,平均誤差に基づく分布シフト検出手法を提案する。 また、ログシーケンスの繰り返しパターンを効果的に学習できるメタラーニングに基づくオンライン学習機構を設計する。
  論文  参考訳（メタデータ） (2024-10-22T01:50:07Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。