LLMMAD：基于大语言模型的微服务自回归多模态异常检测

论文提出用 LLM 做微服务多模态异常检测的 LLMMAD 框架。

资讯摘要

论文提出 LLMMAD，一个面向微服务系统的自回归多模态异常检测框架。针对现有方法忽视模态特有特征、以及特征重建中的“identity-shortcut”问题，作者将多模态数据嵌入并重组为统一序列交由 LLM 处理，同时用各模态重建头保留模态特有信息，并以预测未来状态的自回归目标替代复制当前输入。作者报告在三个真实数据集上 F1 分别提升 3.1%、1.4% 和 0.9%。

要点速读

1. LLMMAD 将多模态数据嵌入并重组为统一序列供 LLM 建模模态间关系，并用模态级重建头保留各模态特有信息。
2. 采用预测驱动的自回归目标，让模型预测未来状态而非复制当前输入，以消除 identity-shortcut。
3. 作者报告在三个真实数据集上优于现有方法，F1 分别提升 3.1%、1.4% 和 0.9%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。