論文の概要: LLM as Detector: An In-context Learning Approach for Tabular Anomaly Detection

• arxiv url: http://arxiv.org/abs/2608.19463v1
• Date: Wed, 19 Aug 2026 21:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.410135
• Title: LLM as Detector: An In-context Learning Approach for Tabular Anomaly Detection
• Title（参考訳）: LLM as Detector: Tabular Anomaly Detectionのためのコンテキスト内学習手法
• Abstract要約: 本稿では,構造化正規状態知識から異常検出ロジックを生成するフレームワークを提案する。 結果のスコアリングエンジンは、統計的偏差、構造的不整合、密度に基づく異常を評価する。 その結果、混合型と連続型の両方の設定で一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 24.097691804966885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection in tabular data is challenging because abnormal samples often arise as violations of cross-feature dependencies rather than simple marginal deviations. Existing detectors rely on geometric or reconstruction signals, while prior LLM-based approaches mainly fine-tune LLMs with normal samples or generate synthetic anomalies. We propose LLM-Detector, a framework that utilizes the in-context learning capacity of LLMs for structured, prompt-conditioned scoring synthesis, enabling LLMs to derive anomaly detection logic from structured normal-state knowledge. Specifically, normal training data are converted into statistical summaries, causal dependencies, and distilled prototypes that are organized into a prompt for code generation. The resulting scoring engine evaluates statistical deviation, structural inconsistency, and density-based abnormality then computes an anomaly score for each test sample. We evaluate LLM-Detector on 24 tabular datasets, comparing against 15 SOTA baselines. Results show consistent improvements across both mixed-type and continuous-only settings. Moreover, this design eliminates the need for LLM fine-tuning or neural network training, reducing computational cost and enabling practical anomaly detection in real-world tabular systems.
• Abstract（参考訳）: グラフデータにおける異常検出は、単純な境界偏差ではなく、相互依存関係の違反として異常サンプルがしばしば発生するため、困難である。 既存の検出器は幾何学的信号や再構成信号に頼っているが、従来のLCMベースのアプローチは主に通常のサンプルを持つ微細なLCMや合成異常を生成する。 本研究では,LLMの文脈内学習能力を利用したLLM-Detectorを提案する。LLMは,構造化された正規状態知識から異常検出ロジックを導出することができる。 具体的には、通常のトレーニングデータは、統計的要約、因果依存性、およびコード生成のプロンプトに編成された蒸留プロトタイプに変換される。 結果のスコアリングエンジンは、統計的偏差、構造的不整合、密度に基づく異常を評価し、各試験サンプルの異常スコアを算出する。 LLM-Detectorを24個の表付きデータセットで評価し、15個のSOTAベースラインと比較した。 その結果、混合型と連続型の両方の設定で一貫した改善が見られた。 さらに、この設計はLLMの微調整やニューラルネットワークトレーニングの必要性を排除し、計算コストを削減し、現実の表計算システムにおける実用的な異常検出を可能にする。

関連論文リスト

• LLM Detection as an Intervention: Downstream Impact under Strategic User Behavior [53.63441578662801]
  インタクタは、検出された属性自身だけでなく、LLM使用率や出力品質などの下流メトリクスを操縦する介入として動作する。 我々は,LLMの使用量を戦略的に選択し,コンテンツ後処理によって検出された属性を減らし,その特性を定量的に把握するスタイリングモデルを開発した。 検出された属性を低減しても出力品質は向上するが,LDM検出器を導入することで,ユーザは低品質の出力が得られる。
  論文  参考訳（メタデータ） (2026-07-21T17:11:02Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• LLM-Assisted Logic Rule Learning: Scaling Human Expertise for Time Series Anomaly Detection [0.9740025522928777]
  時系列異常検出はサプライチェーン管理において積極的な操作を行う上で重要である。 本稿では,大規模言語モデル(LLM)を利用して,人間の専門知識を解釈可能な論理ベースのルールに体系的にエンコードするフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-27T06:37:37Z)
• LLM-Enhanced Reinforcement Learning for Time Series Anomaly Detection [1.1852406625172216]
  時系列異常検出は、しばしばスパースラベル、複雑な時間パターン、高価な専門家アノテーションに悩まされる。 本稿では,LL(Reinforcement Learning),VAE(Variational Autoencoder)の強化された動的報酬スケーリング,ラベル伝搬によるアクティブラーニングを併用した,LLM(Large Language Model)に基づく報酬形成機能の統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-05T19:33:30Z)
• LLM as an Algorithmist: Enhancing Anomaly Detectors via Programmatic Synthesis [40.82779720776548]
  大きな言語モデル(LLM)は驚くべき推論能力を示している。 我々のフレームワークは、LLMを「データプロセッサ」から「アルゴリズム」に再配置する。
  論文  参考訳（メタデータ） (2025-10-04T19:00:51Z)
• Provenance: A Light-weight Fact-checker for Retrieval Augmented LLM Generation Output [49.893971654861424]
  検索強化生成(RAG)から非実効出力を検出する軽量な手法を提案する。 私たちは、二項決定を下すためにしきい値にできる事実性スコアを計算します。 実験の結果, ROC曲線 (AUC) の下では, 関連するオープンソースデータセットの広範囲にわたって高い面積を示すことができた。
  論文  参考訳（メタデータ） (2024-11-01T20:44:59Z)
• Large Language Models for Anomaly Detection in Computational Workflows: from Supervised Fine-Tuning to In-Context Learning [9.601067780210006]
  本稿では,大規模言語モデル(LLM)を用いて,複雑なデータパターンの学習能力を活用することにより,ワークフローの異常検出を行う。 教師付き微調整 (SFT) では, 文分類のためのラベル付きデータに基づいて事前学習したLCMを微調整し, 異常を識別する。
  論文  参考訳（メタデータ） (2024-07-24T16:33:04Z)
• DARG: Dynamic Evaluation of Large Language Models via Adaptive Reasoning Graph [70.79413606968814]
  本稿では,適応推論グラフ展開(DARG)によるLCMの動的評価を導入し,複雑性と多様性を制御した現在のベンチマークを動的に拡張する。 具体的には、まず現在のベンチマークでデータポイントの推論グラフを抽出し、それから推論グラフを摂動させて新しいテストデータを生成する。 このような新しく生成されたテストサンプルは、元のベンチマークと同様の言語的多様性を維持しながら、複雑さのレベルが異なる可能性がある。
  論文  参考訳（メタデータ） (2024-06-25T04:27:53Z)
• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)

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。