論文の概要: Towards Understanding LLM-Based Log Anomaly Detection: An Empirical Study of Performance, Efficiency, and Robustness

• arxiv url: http://arxiv.org/abs/2609.31371v1
• Date: Fri, 25 Sep 2026 15:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.450079
• Title: Towards Understanding LLM-Based Log Anomaly Detection: An Empirical Study of Performance, Efficiency, and Robustness
• Title（参考訳）: LLMによるログ異常検出の理解に向けて:性能・効率・ロバスト性に関する実証的研究
• Abstract要約: 大規模言語モデル(LLM)はログ異常検出において有望な性能を示した。 本結果から,適応戦略と適応戦略の相違点が明らかとなった。 低ビット量子化は、評価された構成における検出性能を大幅に維持する。
• 参考スコア（独自算出の注目度）: 8.158546328898977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have demonstrated promising performance in log anomaly detection, yet how their adaptation strategies, architectures, and deployment configurations affect detection effectiveness remains insufficiently understood. To investigate these factors, we conduct a systematic empirical analysis across three public log datasets, examining different adaptation strategies, model architectures, parameter scales, and quantization settings. Our results reveal substantial performance differences across adaptation strategies, while model scaling yields varying detection gains across datasets. We further observe that models with comparable detection accuracy can exhibit markedly different computational costs, and that low-bit quantization largely preserves detection performance in the evaluated configurations. Finally, we examine detection robustness under structural, semantic, and label noise at different perturbation levels. These findings provide empirical insights into the performance, efficiency, and robustness of LLM-based log anomaly detection, highlighting practical considerations beyond conventional accuracy-oriented evaluation.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ログ異常検出において有望な性能を示したが、その適応戦略、アーキテクチャ、デプロイメント構成が検出の有効性にどのように影響するかは、まだ十分に理解されていない。 これらの要因を解明するために、我々は3つの公開ログデータセットに対して、異なる適応戦略、モデルアーキテクチャ、パラメータスケール、量子化設定について、系統的な経験分析を行う。 モデルスケーリングは,データセット間で異なる検出ゲインを得られる一方で,適応戦略間での大幅な性能差を明らかにした。 さらに,検出精度に匹敵するモデルでは計算コストが大きく異なり,低ビット量子化は評価された構成における検出性能を大幅に維持する。 最後に,異なる摂動レベルにおける構造的,意味的,ラベル的雑音下でのロバスト性の検出について検討する。 これらの知見は, LLMを用いたログ異常検出の性能, 効率, 堅牢性に関する実証的な知見を与え, 従来の精度指向評価以上の実践的考察を浮き彫りにした。

関連論文リスト

• Evaluating ML-based Intrusion Detection Systems: The Illusion of Model Efficacy [0.0]
  侵入検知は機械学習の統合によって革命的になった。 本稿では,MLに基づくネットワーク侵入検知システムにおいて,アルゴリズムの強化とメートル法調整を超越した手法を提案する。
  論文  参考訳（メタデータ） (2026-09-02T11:39:02Z)
• A comprehensive and trustworthy benchmark of AI methods for change detection in Earth observation [6.608286365425497]
  地球観測における変化検出は、陸地表面の変化を監視するために重要である。 本稿では,変化検出のためのSOTA(State-of-the-art)ディープラーニング手法を評価するための,標準化されたオープンソースベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-08-28T12:04:39Z)
• Variational Rectification Inference for Learning with Noisy Labels [74.85528327499662]
  損失関数の適応的補正を定式化するために, 変分補正推論(VRI)を提案する。 VRIは、補正ベクトルを潜在変数として扱うことによって階層ベイズとして構成される。 VRIで変分項を導入することにより、条件付き後部を正確に推定し、ディラックデルタ関数への崩壊を避ける。
  論文  参考訳（メタデータ） (2026-03-18T01:25:08Z)
• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Towards a more realistic evaluation of machine learning models for bearing fault diagnosis [0.28873930745906956]
  本稿では,振動を用いた軸受故障診断におけるデータ漏洩問題とそのモデル評価への影響について検討する。 本研究では, 軸受データ分割に着目したリークフリー評価手法を提案し, トレーニングやテストに使用する物理部品の重複を防止した。 CWRU、パダーボーン大学(PU)、オタワ大学(UORED-VAF)の3つの広く採用されているデータセットに対する方法論の評価を行った。
  論文  参考訳（メタデータ） (2025-09-26T12:35:02Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Methodology for an Analysis of Influencing Factors on 3D Object Detection Performance [0.0]
  自動走行では、物体検出は環境の知覚に不可欠である。 本稿では,LiDARおよびカメラを用いた3Dオブジェクト検出装置において,オブジェクトおよび環境関連要因がどのように影響するかを解析するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-13T10:01:33Z)
• Towards Robust Out-of-Distribution Generalization: Data Augmentation and Neural Architecture Search Approaches [4.577842191730992]
  我々は、ディープラーニングのための堅牢なOoD一般化への道を探る。 まず,認識に必須でない特徴間の素早い相関を解消するための,新しい効果的なアプローチを提案する。 次に,OoDシナリオにおけるニューラルアーキテクチャ探索の強化問題について検討する。
  論文  参考訳（メタデータ） (2024-10-25T20:50:32Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)

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。