使用LLMS促进您的异常检测

在机器学习社区中一直是长期以来的挑战。

每当出现新的范式时，无论是深度学习，强化学习，自学学习还是图形神经网络，您几乎总是会看到从业者渴望在异常检测问题上尝试一下。

llms当然也不例外。

在这篇文章中，我们将探讨人们在异常检测管道中使用LLM的一些新兴方式：

直接异常检测数据增强素化解释基于LLM Agesic Systems的自主异常检测（奖励）异常检测

直接异常检测

数据增强

异常解释

基于LLM的表示

智能检测模型选择

自主异常检测的多代理系统

（奖励）LLM代理系统的异常检测

对于每种应用程序模式，我们将查看具体示例，以查看其在实践中的应用。希望这使您更清楚地了解哪种模式可能适合自己的挑战。

如果您是LLM＆Agents的新手，我邀请您在Langgraph 101中行动，让我们建立一个深入的研究代理。

Langgraph 101：让我们建立一个深入的研究代理

1。直接异常检测

1.1概念

最常见的方法是直接使用LLM来分析数据并检测异常。有效地，我们敢打赌，LLM的广泛，预训练的知识（以及提示中提供的知识）已经足够好，可以将异常与正常基线区分开。

1.2案例研究

当基础数据采用文本格式时，使用LLMS的方式是最简单的。一个很好的例子是Logprompt研究[1]，研究人员在软件操作的背景下研究了系统对数异常检测。

logprompt 将时间序列数据转换为文本

1.3实际考虑

简单

1.4资源

2。数据增强

2.1概念