Mar, 2024

大规模云系统中的知识感知警报聚合：一种混合方法

PDF
TL;DR通过利用预先制定的操作规程 (SOP)，我们提出了 COLA，一种基于相关挖掘和 LLM 推理的新型混合方法，用于在线警报聚合。实验证明，COLA 在处理大规模云平台的大量警报时，具有可比较的效率，且优于最先进的方法。
发现论文，激发创造
  • 智能警报生成的混合方法

    本文提出了一种混合模型用于警报系统，该模型将统计模型与白名单机制相结合，以解决大规模网络系统中可伸缩性、数据异构性、可泛化性和可维护性的挑战，从而减少假阳性警报。

    Jun, 2023

  • CoRAL：协作检索增强大型语言模型改进长尾推荐

    通过协同检索增强的大型语言模型，将合作证据直接融入提问中以使其对数据集中的用户 - 项目交互模式进行联合推理，从而在特定的推荐任务上显著提高了大型语言模型的推理能力，并且可以通过强化学习更有效地探索协作信息。

    Mar, 2024

  • 碳过滤器：使用大规模聚类和快速搜索进行实时警报分类

    通过研究十几亿的警报，我们的解决方案大大提高了信噪比，并且在警报分类性能上没有妥协。

    May, 2024

  • 使用 COLA 以十个简单步骤解决大规模结构

    采用 COmoving Lagrangian Acceleration (COLA) 方法生成大型模拟的精确模拟半宇宙后的大规模结构，显著提升了运算速度并保持了大尺度的准确性，并生成了高质量的假生态圈目录，提供详细的误差分析，以便进行正在进行的和未来的 LSS 调查研究。

    Jan, 2013

  • COLO：一种基于对比学习的单阶段摘要重新排序框架

    本文提出了一种基于对比学习的重新排序框架 COLO，它可以直接根据摘要级别的分数生成摘要，从而提高 CNN/DailyMail 基准的提取和抽象一阶段系统的结果，并保留参数效率和推断效率。

    Sep, 2022

  • 用于工业控制系统异常检测的双阶段双 COPOD 方法

    本文提出了一种基于 Copula 的二阶段异常检测方法，以解决传统方法在透明度、可解释性和性能等方面存在的挑战，并在三个开源的 ICS 数据集中进行了实验验证，表现出优异的检测性能和计算效率，适合于低和高维度数据集的实时 ICS 异常检测。

    Apr, 2023

  • 半监督跨模态注重力异构软件系统异常检测

    该研究通过系统化的研究，发现了结合日志和度量数据来检测系统异常更加有效，提出了基于异构数据的端到端半监督方法 Hades，并通过大量模拟数据和华为云数据集的评估结果，证明了模型在检测系统异常方面的有效性。

    Feb, 2023

  • 面向长期标注者：一个监督的标签聚合基线

    依靠众包工人，数据众包平台能够高效地提供大量带标签的数据，本文提出一种名为 SuperLA 的监督标签聚合方法，不需要在推理期间进行模型更新，并且能广泛利用历史标注记录，通过对 22 个公共数据集和 11 个基准方法的比较实验发现，SuperLA 不仅在推理性能上优于所有基准方法，而且在效率方面也具有显著优势。

    Nov, 2023

  • COLA: 通过协作增强改进对话式推荐系统

    通过协同增强的方法，利用交互式用户 - 项目图表和门控技术增进用户和项目的特征表示，在获取商品信息方面有更好的表现。

    Dec, 2022

  • 高效可学习的单幅图像超分辨率协同注意力

    我们提出了一种新颖的可学习协同注意力（LCoA）方法，通过引入归纳偏差来解决非局部建模中的高计算复杂性和内存消耗问题，并将其集成到深度可学习协同注意力网络（LCoAN）中，与其他先进的超分辨率方法相比，在推理时间、内存消耗和重建质量等方面取得了有竞争力的性能。

    Apr, 2024