論文の概要: Fine-Tuning Small Language Models for Solution-Oriented Windows Event Log Analysis

• arxiv url: http://arxiv.org/abs/2605.06330v1
• Date: Thu, 07 May 2026 14:24:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.892783
• Title: Fine-Tuning Small Language Models for Solution-Oriented Windows Event Log Analysis
• Title（参考訳）: ソリューション指向Windowsイベントログ解析のための微調整小言語モデル
• Authors: Siraaj Akhtar, Saad Khan, Simon Parkinson,
• Abstract要約: 大規模言語モデル(LLM)は、イベントログ分析を約束しているが、高い計算要件、クラウドインフラストラクチャへの依存、セキュリティ上の懸念により、現実的なデプロイメントが制限されている。 小型言語モデル(SLM)は、特定の目的のために微調整され、ローカルにホストされる軽量な代替手段を提供する。 本稿では,特定のタスクを微調整したSLMが,イベントログ解析の実用的な代替手段として有効であるかどうかを考察する。
• 参考スコア（独自算出の注目度）: 2.215422958791151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have shown promise for event log analysis, but their high computational requirements, reliance on cloud infrastructure, and security concerns limit practical deployment. In addition, most existing approaches focus only on the identification of the problem and do not provide actionable remediation. Small language models (SLMs) present a light-weight alternative that can be fine-tuned for a specific purpose and hosted locally. This paper investigates whether SLMs, when fine-tuned for a specific task, can serve as a practical alternative for event log analysis while also generating solutions. We first create a large-scale synthetic Windows event log dataset that contains remediation actions using a high-performing LLM. We then fine-tune multiple SLMs and LLMs using the LoRA parameter-efficient fine-tuning technique and evaluate their performance by comparing with expert assessment. The results show that the dataset accurately reflects real-world scenarios and that fine-tuned SLMs consistently outperform LLMs in identifying issues and providing relevant remediation, while requiring fewer computational resources.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、イベントログ分析を約束しているが、高い計算要件、クラウドインフラストラクチャへの依存、セキュリティ上の懸念により、現実的なデプロイメントが制限されている。 加えて、既存のほとんどのアプローチは問題の特定にのみ焦点を合わせており、実用的な修復を提供していない。 小型言語モデル(SLM)は、特定の目的のために微調整され、ローカルにホストされる軽量な代替手段を提供する。 本稿では,特定のタスクを微調整したSLMが,イベントログ解析の実用的な代替手段として有効であるかどうかを考察する。 われわれはまず,高性能LLMを用いた修復動作を含む大規模なWindowsイベントログデータセットを作成する。 次に、LoRAパラメータ効率の微調整技術を用いて複数のSLMとLSMを微調整し、専門家による評価と比較して性能評価を行った。 その結果、データセットは現実のシナリオを正確に反映し、微調整されたSLMは、計算資源を少なくしながら、問題を特定し、関連する修復を提供することで、LSMを一貫して上回っていることがわかった。

関連論文リスト

• WRAVAL -- WRiting Assist eVALuation [7.441391098440092]
  小言語モデル (SLM) は通常、推論の基準で、LLM (Large Language Models) よりも3～4倍低いスコアを得る。 本研究では,非推論タスクにおけるSLMの能力を強調するための評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-19T09:21:27Z)
• TravelBench : Exploring LLM Performance in Low-Resource Domains [2.2917707112773593]
  実世界のシナリオから匿名化されたデータを用いて、7つの共通NLPタスクにまたがる14の旅行領域データセットをキュレートした。 各種タスクにおけるLCMの精度,スケーリング行動,推論能力について報告する。
  論文  参考訳（メタデータ） (2025-10-03T04:44:34Z)
• Towards Efficient Multi-LLM Inference: Characterization and Analysis of LLM Routing and Hierarchical Techniques [14.892995952768352]
  言語モデル(LM)は、テキスト生成、要約、質問応答といったタスクに優れています。 彼らの推論は計算コストが高く、ハードウェア、電力、帯域幅に制限のある設定でエネルギーを集中的に消費する。 近年のアプローチでは、クエリの複雑さに基づいて、動的に計算資源を割り当てる複数のLLMインテリジェントモデル選択戦略が導入されている。
  論文  参考訳（メタデータ） (2025-06-06T23:13:08Z)
• LLMs as Data Annotators: How Close Are We to Human Performance [47.61698665650761]
  データのマニュアルアノテーションは、労働集約的で、時間がかかり、コストがかかる。 In-context Learning (ICL) では、タスクに関連するいくつかの例がプロンプトで与えられると、非効率性や準最適モデルの性能につながる可能性がある。 本稿では,NERタスクの様々なデータセットに対して,異なる埋め込みモデルを考慮した複数のLLMの比較実験を行う。
  論文  参考訳（メタデータ） (2025-04-21T11:11:07Z)
• Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning [65.23593936798662]
  LLM生成データによる微調整により,目標タスクの性能が向上し,非目標タスクの劣化が低減されることを示す。 微調整後のLSMにおける破滅的忘れを緩和するために、トークンの難易度低減に基づく経験的説明を提供する最初の研究である。
  論文  参考訳（メタデータ） (2025-01-24T08:18:56Z)
• 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)
• ToolScan: A Benchmark for Characterizing Errors in Tool-Use LLMs [77.79172008184415]
  TOOLSCANは、ツール使用タスクのLLM出力におけるエラーパターンを特定するための新しいベンチマークである。 もっとも顕著なLCMでも,これらの誤りパターンが出力に現れることを示す。 研究者たちは、TOOLSCANのこれらの洞察を使って、エラー軽減戦略をガイドすることができる。
  論文  参考訳（メタデータ） (2024-11-20T18:56:22Z)
• SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
  大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。 学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。 ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
  論文  参考訳（メタデータ） (2024-07-16T04:41:58Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)

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。