Large Language Models for Anomaly and Out-of-Distribution Detection: A Survey

要約

異常または分散除外（OOD）サンプルの検出は、機械学習システムの信頼性と信頼性を維持するために重要です。
最近、大規模な言語モデル（LLM）は、自然言語処理だけでなく、高度な理解と生成能力のために、より広範なアプリケーションでも有効性を実証しています。
LLMSの異常とOOD検出への統合は、フィールドの従来のパラダイムからの大きな変化を示しています。
この調査では、LLMSのコンテキストでの異常とOOD検出の問題に焦点を当てています。
LLMSが果たす役割に基づいて、既存のアプローチを2つのクラスに分類する新しい分類法を提案します。
提案された分類法に続いて、各カテゴリの下で関連する研究についてさらに議論し、最後にこの分野での将来の研究のための潜在的な課題と方向について説明します。
また、関連する論文の最新の読書リストも提供しています。

要約(オリジナル)

Detecting anomalies or out-of-distribution (OOD) samples is critical for maintaining the reliability and trustworthiness of machine learning systems. Recently, Large Language Models (LLMs) have demonstrated their effectiveness not only in natural language processing but also in broader applications due to their advanced comprehension and generative capabilities. The integration of LLMs into anomaly and OOD detection marks a significant shift from the traditional paradigm in the field. This survey focuses on the problem of anomaly and OOD detection under the context of LLMs. We propose a new taxonomy to categorize existing approaches into two classes based on the role played by LLMs. Following our proposed taxonomy, we further discuss the related work under each of the categories and finally discuss potential challenges and directions for future research in this field. We also provide an up-to-date reading list of relevant papers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google