LogMILP：基于反事实扰动的弱监督日志实例异常定位框架
原帖
**在草堆中寻找针：通过反事实扰动实现弱监督日志实例异常定位**
_Seeing the Needle in the Haystack: Towards Weakly-Supervised Log Instance Anomaly Localization via Counterfactual Perturbation_
> 该论文提出LogMILP框架，用于解决大规模系统中日志异常检测的难题。在仅使用袋级标签（弱监督）的条件下，该方法能够同时实现袋级异常检测和实例级异常定位。其核心创新在于利用原型引导的结构建模和反事实扰动一致性正则化，来提高定位的可靠性和可解释性。实验表明，该方法在检测性能上具有竞争力，并能提供更可靠的实例级定位。代码已开源。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-26 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.10988)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
2026年5月26日HuggingFace社区热门论文介绍LogMILP框架，该方法在仅使用袋级标签的弱监督条件下，结合原型引导的结构建模与反事实扰动一致性正则化，同时实现袋级异常检测与实例级异常定位，代码已开源。
答案说明
该论文提出LogMILP框架，利用原型引导的结构建模和反事实扰动一致性正则化，在弱监督（仅袋级标签）条件下实现日志的袋级异常检测和实例级异常定位，实验表明其检测性能具有竞争力且定位更可靠。
这篇帖子回答的问题
- LogMILP框架如何在弱监督条件下实现日志异常检测与定位？
- LogMILP在日志异常定位方面有哪些技术创新？
核心观点
- LogMILP在仅使用袋级弱监督标签的条件下，能够同时完成日志的袋级异常检测和实例级异常定位。
- 该方法的核心创新包括原型引导的结构建模和反事实扰动一致性正则化，旨在提高定位的可靠性和可解释性。
FAQ
- Q: LogMILP框架的主要目标是什么？
- A: LogMILP旨在解决大规模系统中日志异常检测的难题，特别是在仅使用袋级标签的弱监督条件下，同时实现袋级异常检测和实例级异常定位。
关键实体
- LogMILP
- HuggingFace Daily Papers