LLM日志异常检测：研究揭示性能、效率和鲁棒性见解

一篇新近发表在arXiv上的实证研究，探讨了大型语言模型（LLMs）在日志异常检测中的性能、效率和鲁棒性。该研究系统地分析了三种公共日志数据集上的各种适应策略、模型架构、参数规模和量化设置。主要发现表明，适应策略显著影响检测效果，而模型扩展在不同数据集上带来不同的收益。研究还强调，具有相似准确率的模型可能具有不同的计算成本，并且低比特量化通常能保持检测性能。 AI

影响 为在日志异常检测中部署LLMs提供了实用见解，重点关注效率和鲁棒性，而不仅仅是准确率。

排序理由 该条目是一篇发表在arXiv上的学术论文，详细介绍了LLM在特定任务上性能的实证研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• Bibliographic Explorer
• CatalyzeX
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Large Language Models
• Litmaps
• ScienceCast
• scite Smart Citations

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →