AD-LLM: Benchmarking Large Language Models for Anomaly Detection

本文是LLM系列文章，针对《AD-LLM: Benchmarking Large Language Models for Anomaly Detection》的翻译。

摘要

异常检测（AD）是一项重要的机器学习任务，具有许多实际用途，包括欺诈检测、医疗诊断和工业监控。在自然语言处理（NLP）中，AD有助于检测垃圾邮件、错误信息和异常用户活动等问题。尽管大型语言模型（LLMs）对文本生成和摘要等任务产生了强烈的影响，但它们在AD中的潜力还没有得到足够的研究。本文介绍了AD-LLM，这是第一个评估LLM如何帮助NLP异常检测的基准。我们研究了三个关键任务：（i）零样本检测，使用LLM的预训练知识在没有特定任务训练的情况下执行AD；（ii）数据增强，生成合成数据和类别描述，以改进AD模型；以及（iii）模型选择，使用LLM来建议无监督的AD模型。通过对不同数据集的实验，我们发现LLM可以在零样本AD中很好地工作，精心设计的增强方法是有用的，并且解释特定数据集的模型选择仍然具有挑战性。基于这些结果，我们概述了阿尔茨海默病LLMs的六个未来研究方向。

1 引言

2 AD-LLM前言

3 任务1：LLM用于零样本检测

4 任务2：LLM用于数据增强

5 任务3：用于AD模型选择的LLM

6 结论和未来工作

在这项工作中，我们提出了AD-LLM，这是第一个将LLM集成到NLP异常检测的三个核心方面的综合基准：检测、数据增强和模型选择。我们的结果表明，LLMs在这些任务中具有很强的潜力。在检测方面，L