本文介绍了一种基于Transformer的日志异常检测方法，结合预训练和适配器调整，以提高多领域的泛化性能。研究评估了多种深度学习和传统方法，发现优化的无监督PCA技术在有限数据下表现优异。提出的GLAD框架和RAPID模型能够有效检测日志异常并实现实时检测，同时LogCleaner方法显著减少日志事件，提高检测效率。

华为云社区分享了一种名为LightAD的日志异常检测评估框架，该框架能够自动化评估日志异常检测方法，研究结果表明轻量级机器学习方法优于深度学习方法。LightAD通过贝叶斯优化器实现模型训练时间、推断时间和性能得分的优化，帮助运维工程师选择合适的异常检测模型。

本文介绍了一种名为LightAD的日志异常检测评估框架，通过自动化超参数调优实现公正比较。作者评估了深度学习和轻量级机器学习方法在五个数据集上的性能，结果显示轻量级机器学习方法更高效准确。作者还提出了基于贝叶斯优化器的多目标优化公式，用于选择最佳异常检测算法。该研究成果已被ICSE 2024录用。

LogLG是一种弱监督日志异常检测框架，通过从无标注的日志中提取关键词构建日志事件图并训练检测模型，实现对未标记日志数据的异常检测。与现有方法相比，LogLG实现了显著的性能提升。