ICAD-LLM：基于大语言模型的上下文学习实现的全能异常检测
机器学习
2025-12-02 v1 人工智能
摘要
异常检测（AD）是诸多领域中至关重要的基础任务。当前系统正越来越多地运行于快速变化的环境中，这些环境生成异构且相互关联的数据模态，如时间序列、系统日志和表格记录，如以往现代 IT 系统所示。有效的 AD 方法必须具备两个关键能力：(1) 在统一框架内处理异构数据格式的能力，使模型能够在异常事件期间以一致的方式处理和检测多种数据模态；(2) 强大的概括能力，以便在无需大量再训练的情况下快速适应新情景。然而，大多数现有方法不足以满足这些要求，因为它们通常只关注单一数据模态，缺乏跨域的灵活性。为此，我们提出了一种新范式：基于上下文的异常检测（ICAD），其中将异常定义为与相关正常样本集的不相似性。在此范式下，我们提出 ICAD-LLM，一个利用大语言模型的上下文学习能力在单个模型中处理异构数据的统一 AD 框架。广泛实验表明，ICAD-LLM 在实现与任务特定 AD 方法相当的性能方面取得了竞争成绩，并对以前看不见的任务表现出强大的概括能力，这大大降低了部署成本并使我们能够快速适应新环境。据我们了解，ICAD-LLM 是首个能够跨越不同领域和数据模态处理异常检测任务的模型。
引用
@article{arxiv.2512.01672,
title = {ICAD-LLM: One-for-All Anomaly Detection via In-Context Learning with Large Language Models},
author = {Zhongyuan Wu and Jingyuan Wang and Zexuan Cheng and Yilong Zhou and Weizhi Wang and Juhua Pu and Chao Li and Changqing Ma},
journal= {arXiv preprint arXiv:2512.01672},
year = {2025}
}