Fugu-MT 論文翻訳(概要): Autoregressive Multimodal Anomaly Detection with Large Language Models for Microservice Systems

論文の概要: Autoregressive Multimodal Anomaly Detection with Large Language Models for Microservice Systems

arxiv url: http://arxiv.org/abs/2610.31722v1
Date: Thu, 22 Oct 2026 09:59:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 01:38:06.252723
Title: Autoregressive Multimodal Anomaly Detection with Large Language Models for Microservice Systems
Title（参考訳）: マイクロサービスシステムのための大規模言語モデルを用いた自己回帰型マルチモーダル異常検出
Abstract要約: 大規模言語モデル(LLM)に基づくマイクロサービスシステムの自動回帰マルチモーダル異常検出フレームワークを提案する。その結果、LLMMADは最先端の手法を一貫して上回り、それぞれ3.1%、1.4%、0.9%のF1スコアの改善を達成した。
参考スコア（独自算出の注目度）: 45.62788072456299
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Microservice systems have become a dominant architecture for large-scale cloud applications, enabling rapid deployment and elastic scaling. However, ensuring the reliability and availability of microservice systems critically relies on effective anomaly detection, as failures and performance anomalies can quickly propagate across services and severely impact end-to-end system behavior. Existing multimodal anomaly detection approaches for microservice systems often struggle with two fundamental limitations: (i) the neglect of modality-specific characteristics in favor of cross-modality fusion, and (ii) the "identity-shortcut" problem that affects the feature reconstruction process. To address these issues, we propose LLMMAD, an autoregressive multimodal anomaly detection framework for microservice systems based on Large Language Models (LLMs). Initially, to reconcile cross-modality fusion with modality-specific preservation, LLMMAD embeds and recombines multimodal data into a unified sequence for LLM processing to model inter-modality relationships, while employing modality-wise reconstruction heads to retain modality-specific information. Subsequently, to eliminate the identity-shortcut, we implement a prediction-driven autoregressive objective, under which the model predicts future states rather than copies current inputs. Finally, we conduct extensive experiments on three real-world datasets. The results demonstrate that LLMMAD consistently outperforms state-of-the-art methods, achieving F1-score improvements of 3.1%, 1.4%, and 0.9%, respectively, thereby providing a more reliable solution for microservice monitoring.
Abstract（参考訳）: マイクロサービスシステムは、大規模クラウドアプリケーションにおいて支配的なアーキテクチャとなり、迅速なデプロイメントと弾力性のあるスケーリングを可能にしている。しかしながら、マイクロサービスシステムの信頼性と可用性を確保するには、障害とパフォーマンスの異常がサービス間で急速に伝播し、エンドツーエンドのシステム動作に重大な影響を及ぼすため、効果的な異常検出に依存する。既存のマイクロサービスシステムに対するマルチモーダルな異常検出アプローチは、2つの基本的な制限に悩まされることが多い。一相互モダリティ融合に賛成するモダリティ特化特性の無視及び二特徴再構築の過程に影響を及ぼす「同一性ショートカット」問題これらの問題に対処するため,大規模言語モデル(LLM)に基づくマイクロサービスシステムのための自動回帰型マルチモーダル異常検出フレームワークであるLLMMADを提案する。当初LLMMADは、モダリティ特異的な保存と相互モダリティ融合を一致させるために、モダリティ特異的な情報を保持するためにモダリティワイズヘッドを使用しながら、モダリティ間の関係をモデル化するLLM処理のための統一シーケンスにマルチモーダルデータを埋め込み、再結合する。その後、IDショートカットをなくすため、予測駆動の自己回帰目標を実装し、モデルが現在の入力をコピーするのではなく、将来の状態を予測する。最後に,実世界の3つのデータセットについて広範な実験を行った。その結果、LLMMADは最先端の手法を一貫して上回り、それぞれ3.1%、1.4%、0.9%のF1スコアの改善を実現し、マイクロサービス監視のための信頼性の高いソリューションを提供することを示した。

関連論文リスト

AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
論文参考訳（メタデータ） (2026-03-19T03:47:21Z)
Hypothesize-Then-Verify: Speculative Root Cause Analysis for Microservices with Pathwise Parallelism [19.31110304702373]
SpecRCAは、thithypothesize-then-verifyパラダイムを採用した投機的根本原因分析フレームワークである。 AIOps 2022に関する予備的な実験では、既存のアプローチよりも精度と効率が優れていることが示されている。
論文参考訳（メタデータ） (2026-01-06T05:58:25Z)
MicroRCA-Agent: Microservice Root Cause Analysis Method Based on Large Language Model Agents [12.160412894251406]
MicroRCA-Agentは、大規模な言語モデルエージェントに基づいたマイクロサービスの根本原因分析のための革新的なソリューションである。提案したソリューションは、複雑なマイクロサービス障害シナリオにおいて優れたパフォーマンスを示し、最終的なスコアは50.71である。
論文参考訳（メタデータ） (2025-09-19T05:57:03Z)
Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
論文参考訳（メタデータ） (2025-08-06T09:03:10Z)
Learning Unified System Representations for Microservice Tail Latency Prediction [8.532290784939967]
マイクロサービスアーキテクチャは、スケーラブルなクラウドネイティブアプリケーションを構築するためのデファクトスタンダードになっています。従来のアプローチでは、要求毎のレイテンシメトリクスに依存しており、過渡的なノイズに非常に敏感です。我々は,トラフィック側とリソース側の機能を明確に分離し,モデル化するディープラーニングネットワークであるUSRFNetを提案する。
論文参考訳（メタデータ） (2025-08-03T07:46:23Z)
SimMLM: A Simple Framework for Multi-modal Learning with Missing Modality [52.948791050405525]
モーダルを欠くマルチモーダル学習のためのシンプルで強力なフレームワークであるSimMLMを提案する。 SimMLMは、動的で学習可能なゲーティング機構を備えたDMoME(Dynamic Mixture of Modality Experts)アーキテクチャで構成されている。 SimMLMの主な革新はMoFe(MoFe)ランキングの損失の増加であり、より多くのモダリティが利用可能になるにつれてタスクの精度が向上または安定し続けることを保証する。
論文参考訳（メタデータ） (2025-07-25T13:39:34Z)
Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文参考訳（メタデータ） (2024-10-13T21:47:36Z)
Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning for Microservice System [24.2074235652359]
我々は,マルチモーダル学習を通じて利用可能なすべてのデータモダリティをシームレスに統合するMSTGADを提案する。本研究では,異なるモーダル間の相関関係をモデル化するために,空間的および時間的注意機構を備えたトランスフォーマーベースニューラルネットワークを構築した。これにより、リアルタイムで自動的かつ正確に異常を検出することができる。
論文参考訳（メタデータ） (2023-10-07T06:28:41Z)
Robust Multimodal Failure Detection for Microservice Systems [32.25907616511765]
AnoFusionは、マイクロサービスシステムに対する教師なしの障害検出アプローチである。異種マルチモーダルデータの相関を学習し、グラフ注意ネットワーク(GAT)とGRU(Gated Recurrent Unit)を統合する。これはそれぞれ0.857と0.922のF1スコアを達成し、最先端の故障検出手法より優れている。
論文参考訳（メタデータ） (2023-05-30T12:39:42Z)

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。