针对弱监督日志实例异常定位：通过反事实扰动寻找针尖
机器学习
2026-05-13 v1 人工智能
摘要
日志异常检测是系统运营和安全保障的关键任务。然而，在大规模网络系统中，日志数据按 massive 规模生成，而实例级标注成本高昂，给细粒度异常定位带来了很大挑战。为此，我们提出LogMILP（Log anomaly localization based on Multi-Instance Learning enhanced by prototypes and Perturbation），一种弱监督框架，使其仅使用包级标签即可实现包级异常检测和实例级异常定位。我们的方法通过原型引导的结构建模和反事实扰动一致性正则化，引导模型指向关键日志条目，从而在粗粒度监督下提高了局部化可靠性和可解释性。在三个公开数据集上的实验结果表明，LogMILP在保持竞争检测性能的同时，显著提升了实例级局部化的可靠性。我们的代码已开源于https://github.com/YUK1207/LogMILP。
引用
@article{arxiv.2605.10988,
title = {Seeing the Needle in the Haystack: Towards Weakly-Supervised Log Instance Anomaly Localization via Counterfactual Perturbation},
author = {Yutszyuk Wong and Wentai Wu and Yuen-Ying Yeung and Weiwei Lin},
journal= {arXiv preprint arXiv:2605.10988},
year = {2026}
}
备注
6 pages,2 figures