北航团队提出 ICAD-LLM 框架，通过上下文学习实现时间序列、表格和日志三类数据的跨模态统一异常检测，回归异常检测的“对比”本质。
📝 详细摘要
本文介绍了北京航空航天大学联合首都信息提出的 ICAD-LLM 框架，该框架被 AAAI 2026 接收。其核心创新在于将异常检测从传统的“静态分布记忆”范式（one-for-one 或 one-for-many）转变为“动态上下文对比”范式。ICAD-LLM 利用大语言模型的上下文学习能力，在推理时通过提供一组正常样本作为参考集，动态对比目标样本与参考集的差异来判断异常。框架由模态感知编码器、提示引导表示模块和上下文对比学习三个核心组件构成，能够统一处理时间序列、表格和日志数据。在 27 个跨模态数据集上的实验表明，该模型在单一模态和跨模态场景下均超越了主流方法，并展现出强大的跨场景泛化能力。文章详细阐述了研究背景、模型架构、实验验证和结论，为工业异常检测提供了新的技术路径。
💡 主要观点
- ICAD-LLM 回归异常检测的“对比”本质，将静态记忆范式重构为动态上下文对比范式。 传统方法通过记忆特定任务的正常分布来定义异常，而 ICAD-LLM 在推理时提供正常样本参考集，通过动态对比目标样本与参考集的差异来判断异常，更符合异常的定义，并摆脱了任务绑定。
💬 文章金句
- 异常是“与样本中其他成员存在显著偏差的个体”。
- 新范式：不再让模型记忆固定的正常分布，而是在推理时提供一组正常样本参考集（R），通过动态对比目标样本与参考集的差异来判断异常。
- 模型无需记忆特定任务的正常分布，只需学习通用的“差异比较”能力，摆脱任务绑定。
📊 文章信息
AI 初评：86
来源：PaperWeekly
作者：PaperWeekly
分类：人工智能
语言：中文
阅读时间：13 分钟
字数：3183
标签： 异常检测, 大语言模型, 上下文学习, 跨模态, AAAI 2026