論文の概要: Lev-3B: A Data Recipe for Compact Probabilistic Log Decision Models

• arxiv url: http://arxiv.org/abs/2610.38915v1
• Date: Wed, 28 Oct 2026 21:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.419609
• Title: Lev-3B: A Data Recipe for Compact Probabilistic Log Decision Models
• Title（参考訳）: Lev-3B: コンパクトな確率的ログ決定モデルのためのデータレシピ
• Abstract要約: 本稿では,Granite-4.1-3B-Base上に構築されたオープンな3Bパラメータ決定モデルであるLev-3Bについて紹介する。 モデルは、ログを見る前に、ログデータを使用しずに、境界付き自然言語決定を学習する。 トレーニングで見られるソースと、トレーニング、校正、モデル選択から除外されたソースの共有チェックポイントを1つ評価した。
• 参考スコア（独自算出の注目度）: 18.673220429499146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many log-analysis tasks involve choosing among known options, such as detecting anomalous sessions or identifying attack techniques, and benefit from calibrated probabilities. We present Lev-3B, an open 3B-parameter decision model built on Granite-4.1-3B-Base with a shared pointer readout, and study its training recipe. The recipe has two key parts. First, training follows a curriculum: the model learns bounded natural-language decisions, using no log data, before it sees any logs. Second, the log stage mixes the target tasks with general log data spanning 35 auxiliary tasks unrelated to either evaluation task. We evaluate one shared checkpoint on sources seen in training and on sources excluded from training, calibration and model selection. The two-stage recipe transfers substantially better than training on log data alone. Adding general log data improves performance on excluded sources. At a fraction of their serving cost, Lev-3B outperforms prompted frontier models on anomaly detection, including on an excluded logging system, but trails them on attack-technique classification. Its probabilities are well calibrated on familiar sources, but on the excluded logging system it confidently misses anomalies. We release the checkpoint, recipe, data manifests, and prediction-level artifacts.
• Abstract（参考訳）: 多くのログ分析タスクは、異常セッションの検出や攻撃テクニックの特定、キャリブレーションされた確率の恩恵など、既知の選択肢の選択を含む。 本稿では,Granite-4.1-3B-Base上に構築されたオープンな3Bパラメータ決定モデルであるLev-3Bについて述べる。 レシピには2つの重要な部分があります。 まず、トレーニングはカリキュラムに従う: モデルは、ログを見る前に、ログデータを使用しずに、境界付けられた自然言語決定を学習する。 第2に、ログステージは、目標タスクと、どちらの評価タスクとも無関係な35の補助タスクにまたがる一般的なログデータとを混合する。 トレーニングで見られるソースと、トレーニング、校正、モデル選択から除外されたソースの共有チェックポイントを1つ評価した。 2段階のレシピ転送は、ログデータのみのトレーニングよりもはるかに優れている。 一般的なログデータを追加することで、除外されたソースのパフォーマンスが向上する。 サービスコストのごく一部で、Lev-3Bは異常検出のフロンティアモデル(除外されたロギングシステムを含む)に性能を上げたが、攻撃技術分類に追随した。 その確率は、よく知られた情報源でよく調整されているが、除外されたロギングシステムでは、異常を確実に見逃している。 私たちはチェックポイント、レシピ、データマニフェスト、予測レベルのアーティファクトをリリースします。

関連論文リスト

• How Faithful Is Trajectory-Based Data Attribution? Error Sources, Remedies, and Practical Guidelines [21.57090069950487]
  トラジェクトリに基づくデータ帰属法は、トレーニングの軌跡をアンロールすることで、モデル予測に対するトレーニングサンプルの影響を推定する。 これらの手法の包括的なエラー解析が欠如しており、メソッドの忠実性に対する懸念を高め、信頼性の高いデプロイメントを妨げる。 本稿では,トラジェクトリに基づくデータ属性における誤り源の体系的解析と,これらを緩和するための具体的対策,および下流利用のための実践的ガイドラインについて述べる。
  論文  参考訳（メタデータ） (2026-05-12T09:50:45Z)
• LogAction: Consistent Cross-system Anomaly Detection through Logs via Active Domain Adaptation [20.437756988997418]
  アクティブドメイン適応に基づく新しいログベース異常検出モデルであるLogActionを提案する。 一方、成熟したシステムのラベル付きデータを使用してベースモデルをトレーニングし、アクティブな学習におけるコールドスタート問題を緩和する。 一方、LogActionは、自由エネルギーに基づくサンプリングと不確実性に基づくサンプリングを利用して、手動ラベリングのための分布境界に位置するログを選択する。
  論文  参考訳（メタデータ） (2025-09-29T07:09:19Z)
• Training on the Benchmark Is Not All You Need [52.01920740114261]
  本稿では,複数選択肢の内容に基づいた簡易かつ効果的なデータ漏洩検出手法を提案する。 本手法は,モデルトレーニングデータや重みを使用せずに,グレーボックス条件下で動作可能である。 4つのベンチマークデータセットから35個の主要なオープンソースLCMのデータ漏洩度を評価する。
  論文  参考訳（メタデータ） (2024-09-03T11:09:44Z)
• Detecting Pretraining Data from Large Language Models [90.12037980837738]
  事前学習データ検出問題について検討する。 事前学習データを知ることなく、テキスト片とLCMへのブラックボックスアクセスを条件に、モデルが提供されたテキストでトレーニングされたかどうかを判断できますか? 簡単な仮説に基づく新しい検出手法Min-K% Probを提案する。
  論文  参考訳（メタデータ） (2023-10-25T17:21:23Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)

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。