論文の概要: LogNEO: A GPT-Neo Reinforcement Learning Framework for Accurate Real-Time Log Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.08153v1
• Date: Sat, 06 Jun 2026 13:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.877486
• Title: LogNEO: A GPT-Neo Reinforcement Learning Framework for Accurate Real-Time Log Anomaly Detection
• Title（参考訳）: LogNEO: リアルタイムログ異常検出のためのGPT-Neo強化学習フレームワーク
• Authors: David Eje, Tanmay Sharma, Khush Patel, Manuel Mazzara, Leonard Johard,
• Abstract要約: LogNEOはEleutherAIのGPT-Neo上に開発されたログ異常検出器である。 HDFS、BGL、Thunderbirdベンチマークで0.927、0.913、0.984のF1スコアを達成した。 Apache Kafka、Redis、RTアクセラレーションによる推論による運用マイクロサービスのデプロイメントでは、毎秒15,000イベントで、エンドツーエンドのレイテンシが45ミリ秒向上している。
• 参考スコア（独自算出の注目度）: 3.2187337255863397
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Detecting anomalies in large-scale system logs is critical for the reliability and security of modern computing infrastructure. We present LogNEO, a log anomaly detector built on EleutherAI's GPT-Neo (1.3B parameters) and fine-tuned with a novel partial-credit, exponentially decaying position-aware reward scheme combined with cross-entropy regularisation via Proximal Policy Optimisation (PPO). The position-aware reward explicitly models prediction difficulty: early positions receive higher rewards for correct predictions, while later positions incur stronger penalties for errors. LogNEO attains F1-scores of 0.927, 0.913, and 0.984 on the HDFS, BGL, and Thunderbird benchmarks, improving recall by up to 6 percentage points over the prior state-of-the-art LogGPT while maintaining comparable precision. A production microservice deployment over Apache Kafka, Redis, and TensorRT-accelerated inference demonstrates 45 ms end-to-end latency at 15,000 events per second.
• Abstract（参考訳）: 大規模システムログの異常を検出することは、現代のコンピューティングインフラストラクチャの信頼性とセキュリティにとって重要である。 本稿では,EleutherAI の GPT-Neo (1.3B パラメータ) 上に構築されたログ異常検出器 LogNEO について述べる。 位置認識報酬は、予測困難を明示的にモデル化する:初期の位置は、正しい予測に対してより高い報酬を受け取り、後の位置は、エラーに対してより強い罰を与える。 LogNEOはHDFS、BGL、Thunderbirdベンチマークで0.927、0.913、0.984のF1スコアを獲得し、同等の精度を維持しながら、以前の最先端のLogGPTよりも最大6%改善した。 Apache Kafka、Redis、TensorRTアクセラレーションによる推論による運用マイクロサービスのデプロイメントでは、毎秒15,000イベントで、エンドツーエンドのレイテンシが45ミリ秒向上している。

関連論文リスト

• Robust Tightly-Coupled Filter-Based Monocular Visual-Inertial State Estimation and Graph-Based Evaluation for Autonomous Drone Racing [5.29147071389637]
  自律型ドローンレースのための堅牢な視覚-慣性推定フレームワークを提案する。 ADR-VINS は平均 RMS 変換 0.134 m, ADR-FGO は 0.060 m である。 最後に,ADR-FGOによる飛行後評価について述べる。
  論文  参考訳（メタデータ） (2026-03-03T08:43:49Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• XGBoost Forecasting of NEPSE Index Log Returns with Walk Forward Validation [1.2347259751353263]
  本研究では,XGBoost回帰器を用いたネパール証券取引所(NEPSE)指数の1段階回帰予測のための頑健な機械学習フレームワークを開発した。 ログリターン(最大30日)と確立された技術指標を含む、包括的な機能セットが設計されている。 実験の結果、最適な構成、20のラグを持つ拡張ウィンドウは、ARIMAとRookの回帰ベンチマークより優れていた。
  論文  参考訳（メタデータ） (2026-01-13T15:22:08Z)
• Stopping Rules for Stochastic Gradient Descent via Anytime-Valid Confidence Sequences [51.56484100374058]
  凸最適化のための勾配降下(SGD)の停止規則について検討した。 我々は、投影されたSGDの重み付き平均準最適度に対して、任意の有意、データ依存の高信頼シーケンスを開発する。 これらは、厳格でタイムユニフォームなパフォーマンス保証と、有限時間$varepsilon$-optimality証明書である。
  論文  参考訳（メタデータ） (2025-12-15T09:26:45Z)
• FedSSG: Expectation-Gated and History-Aware Drift Alignment for Federated Learning [4.175654562922818]
  FedSSGは、サンプリング誘導型、履歴対応のドリフトアライメント方式である。 FedSSGは、強いドリフト認識ベースラインを一貫して上回り、収束を加速する。
  論文  参考訳（メタデータ） (2025-09-17T10:43:05Z)
• LogGuardQ: A Cognitive-Enhanced Reinforcement Learning Framework for Cybersecurity Anomaly Detection in Security Logs [0.0]
  強化学習はシーケンシャルな意思決定に変化をもたらした。 Deep Q-Networks (DQN) や Proximal Policy Optimization (PPO) といった従来のアルゴリズムは、しばしば効率的な探索に苦労する。 この研究は、人間の認知にインスパイアされたデュアルメモリシステムを統合する新しいフレームワークであるLogGuardQを提示する。
  論文  参考訳（メタデータ） (2025-09-02T15:51:53Z)
• Hybrid Cryptographic Monitoring System for Side-Channel Attack Detection on PYNQ SoCs [0.0]
  AES-128暗号は理論的には安全であるが、組込みシステムに対するタイミングと障害注入攻撃による実用的展開には脆弱である。 本研究は、統計的しきい値と機械学習(ML)を組み合わせて、リアルタイムな異常検出を行う軽量な二重検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T13:13:43Z)
• 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)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)

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。