## Memo - [[NetManAIOps]]のKDD'24論文。 ## Memo with LLM ## Abstract 大規模なオンラインサービスシステムでは、サービスの応答時間やエラー率など、多数の重要業績評価指標（KPI）が時系列形式で収集される。KPI異常検知（KAD）は、実世界のシナリオで広く適用されているため、データマイニングの重要な問題である。しかし、KADはKPIの不均一性とノイズの多いデータを扱うという課題に直面している。我々はKAD-Disformerを提案する。KAD-DisformerはDisentangled TransformerによるKPI異常検出アプローチである。KAD-Disformerは、既存のアクセス可能なKPIに対してモデルを事前訓練し、事前訓練されたモデルは、未見のKPIからのほんの一握りのサンプルを使用して、未見のKPIに対して効率的に「[[ファインチューニング]]」することができる。我々は、Transformerのための分離射影、教師なし少数ショット微調整（uTune）、およびノイズ除去モジュールを含む一連の革新的な設計を提案し、それぞれが全体的な性能に大きく貢献する。我々の広範な実験により、KAD-Disformerは、F1スコアにおいて、最先端の普遍的な異常検出モデルを13%上回り、微調整サンプルの1/8を使用するだけで、約25時間を節約し、同等の性能を達成することが実証された。KAD-Disformerは実世界のクラウドシステムに導入され、数百万人のユーザーに利用されており、その実現可能性と堅牢性を証明している。我々のコードは https://github.com/NetManAIOps/KAD-Disformer 。