【深度学习新浪潮】LLM驱动异常检测技术一览

前言

做过异常检测（AD）研发的都清楚：传统方案长期困在人工特征、小样本失效、黑盒不可解释、多模态割裂四大死穴。2023-2025年顶会（KDD/NeurIPS/CVPR/ICSE）密集出现LLM+AD论文，不是学术灌水，而是真正从表征、推理、泛化三个层面重构异常检测技术栈。

本文不搞话术、不堆概念，只讲三件事：

1. 顶会论文的核心创新点（研发可直接借鉴）
2. 可运行的代码样例（时序/日志两大核心场景）
3. 工业级产品的真实架构（头部云厂商落地实践）

一、前沿研发：顶会论文核心创新（2023-2025）

LLM在异常检测的研发，已从Prompt试水进入专用模型、混合架构、多模态融合的深水区，以下是四大方向的顶会成果：

1. 时序异常检测：TimeLLM（KDD 2024）

• 核心创新：首次将时序数据语义化表征，把数值曲