論文の概要: SCOPE: Tree-based Self-Correcting Online Log Parsing via Syntactic-Semantic Collaboration

• arxiv url: http://arxiv.org/abs/2603.27247v1
• Date: Sat, 28 Mar 2026 11:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.864647
• Title: SCOPE: Tree-based Self-Correcting Online Log Parsing via Syntactic-Semantic Collaboration
• Title（参考訳）: SCOPE:Syntactic-Semantic Collaborationによる木に基づく自己修正オンラインログ解析
• Authors: Dongyi Fan, Suqiong Zhang, Lili He, Ming Liu, Yifan Huo,
• Abstract要約: SCOPEは、最初の自己修正オンラインログ解析手法である。 LLMベースのパラダイムとLLMベースのパラダイムの長所を統合する。 精度と効率の両方で最先端の手法より優れています。
• 参考スコア（独自算出の注目度）: 3.338964978828878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Log parsing is a critical step for automated log analysis in complex systems. Traditional heuristic-based methods offer high efficiency but are limited in accuracy due to overlooking semantic context. In contrast, recent LLM-based parsers improve accuracy via se mantic understanding but incur high latency from frequent model calls. To address this, we propose SCOPE, the first self-correcting online log parsing method that integrates the strengths of both heuristic and LLM-based paradigms. SCOPE introduces a novel bi-directional tree structure that enables efficient template match ing from both forward and reverse directions, resulting in a higher overall matching rate. Additionally, it adopts a two-stage syntactic semantic collaboration framework: a lightweight NLP model first utilizes part-of-speech (POS) information for syntax-based match ing, while the LLM is selectively invoked as a fallback to handle semantically complex cases when uncertainty remains. This design significantly reduces LLM API usage while maintaining high ac curacy, achieving a balance between efficiency and effectiveness. Extensive evaluations on diverse benchmark datasets show that SCOPE outperforms state-of-the-art methods in both accuracy and efficiency. The implementation and datasets are publicly released to facilitate further research.
• Abstract（参考訳）: ログ解析は複雑なシステムにおける自動ログ解析の重要なステップである。 従来のヒューリスティックな手法は高い効率性を提供するが、意味的コンテキストを見渡すことによって精度が制限される。 対照的に、最近のLLMベースのパーサは、セマンティック理解によって精度を向上するが、頻繁なモデル呼び出しから高いレイテンシを生じる。 そこで本研究では,ヒューリスティックとLCMの両パラダイムの長所を統合するオンラインログ解析手法であるSCOPEを提案する。 SCOPEは、前向きと逆向きの両方から効率的なテンプレートマッチングを可能にする、新しい双方向ツリー構造を導入し、結果として全体的なマッチング率が向上する。 さらに、2段階の構文的セマンティック・コラボレーション・フレームワークも採用している:軽量なNLPモデルはまず、構文ベースのマッチングにPOS(Part-of-speech)情報を利用するが、LLMは、不確実性が残っている場合に意味論的に複雑なケースを扱うために、フォールバックとして選択的に呼び出される。 この設計により、LCM APIの使用効率と効率性のバランスを保ちながら、高いAC性を維持しながら大幅に削減できる。 多様なベンチマークデータセットの大規模な評価は、SCOPEが最先端の手法を精度と効率の両方で上回っていることを示している。 さらなる研究を促進するために、実装とデータセットが公開されている。

関連論文リスト

• DiffuRank: Effective Document Reranking with Diffusion Language Models [71.16830004674513]
  拡散言語モデル(dLLM)に基づいて構築されたフレームワークであるDiffuRankを提案する。 dLLMは、左から右への順序に制約されないより柔軟なデコーディングと生成プロセスをサポートする。 モデルサイズが類似した自己回帰LDMに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2026-02-13T02:18:14Z)
• MicLog: Towards Accurate and Efficient LLM-based Log Parsing via Progressive Meta In-Context Learning [26.849902115105255]
  近年の大規模言語モデル(LLM)では、インコンテキスト学習(ICL)を活用して、例からセマンティクスを抽出し、精度が向上している。 MicLogは,メタ学習とICLを組み合わせた,最初のプログレッシブなメタ消費学習(ProgMeta-ICL)ログ解析フレームワークである。 MicLogは、最先端技術よりも10.3%高い解析精度を達成し、解析時間を42.4%削減した。
  論文  参考訳（メタデータ） (2026-01-11T17:46:10Z)
• SimpleMem: Efficient Lifelong Memory for LLM Agents [73.74399447715052]
  セマンティックロスレス圧縮に基づく効率的なメモリフレームワークSimpleMemを紹介する。 本稿では,情報密度とトークン利用量の最大化を目的とした3段階パイプラインを提案する。 ベンチマークデータセットを用いた実験により,提案手法は精度,検索効率,推論コストにおいて,ベースラインアプローチを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-05T21:02:49Z)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• COrAL: Order-Agnostic Language Modeling for Efficient Iterative Refinement [80.18490952057125]
  反復改良は、複雑なタスクにおける大規模言語モデル(LLM)の能力を高める効果的なパラダイムとして登場した。 我々はこれらの課題を克服するために、コンテキストワイズ順序非依存言語モデリング(COrAL)を提案する。 当社のアプローチでは、管理可能なコンテキストウィンドウ内で複数のトークン依存関係をモデル化しています。
  論文  参考訳（メタデータ） (2024-10-12T23:56:19Z)
• LILAC: Log Parsing using LLMs with Adaptive Parsing Cache [38.04960745458878]
  適応型解析キャッシュを備えた大規模言語モデル (LLM) を用いた最初の実用的なログ解析フレームワーク LILAC を提案する。 LLMの特殊なログ解析能力の欠如は、現在解析の正確さを妨げている。 LILACは,テンプレートの精度の平均F1スコアにおいて,最先端の手法よりも69.5%優れていた。
  論文  参考訳（メタデータ） (2023-10-03T04:46:59Z)
• Scalable Learning of Latent Language Structure With Logical Offline Cycle Consistency [71.42261918225773]
  概念的には、LOCCOは、トレーニング対象のセマンティクスを使用してラベルなしテキストのアノテーションを生成する、自己学習の一形態と見なすことができる。 追加ボーナスとして、LOCCOによって生成されたアノテーションは、神経テキスト生成モデルをトレーニングするために自明に再利用することができる。
  論文  参考訳（メタデータ） (2023-05-31T16:47:20Z)
• Pairwise Similarity Knowledge Transfer for Weakly Supervised Object Localization [53.99850033746663]
  弱教師付き画像ラベルを持つ対象クラスにおける局所化モデル学習の問題点について検討する。 本研究では,対象関数のみの学習は知識伝達の弱い形態であると主張する。 COCOおよびILSVRC 2013検出データセットの実験では、ペアワイズ類似度関数を含むことにより、ローカライズモデルの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2020-03-18T17:53:33Z)

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。