LogiCode: an LLM-Driven Framework for Logical Anomaly Detection

本文提出了LogiCode，这是一个新颖的框架，利用大型语言模型（LLMs）来识别工业环境中的逻辑异常，超越了传统对结构不一致性的关注。通过利用LLMs进行逻辑推理，LogiCode自主生成Python代码，以定位异常，例如组件数量不正确或缺少元素，这是异常检测技术的重大飞跃。引入了自定义数据集“LOCO-Annotations”和基准“LogiBench”，以评估LogiCode在各种指标（包括二元分类准确性、代码生成成功率和推理精度）上的性能。研究结果表明，LogiCode具有增强的可解释性，显著提高了逻辑异常检测的准确性，并为识别的异常提供了详细的解释。这代表了向更智能、LLM驱动的工业异常检测方法的显著转变，有望对行业特定应用产生重大影响。

LogiCode旨在通过利用大型语言模型进行逻辑推理，以识别工业环境中的逻辑异常，这是传统结构不一致性检测无法解决的问题。

LogiCode利用大型语言模型自动生成Python代码，以确定异常，如组件数量不正确或缺少元素。该方法提高了逻辑异常检测的准确性和可解释性。

该论文介绍了自定义数据集LOCO-Annotations和基准测试LogiBench，以评估LogiCode在各种指标上的性能，包括二元分类准确性、代码生成成功率和推理精度。实验结果表明，LogiCode的性能优于传统方法，具有更好的可解释性。

最近的相关研究包括使用深度学习方法进行异常检测的论文，如《基于深度学习的异常检测综述》和《使用深度自编码器进行异常检测的研究》。