Yixiang Tang 氏ら5名による論文「大規模言語モデルを用いたマイクロサービスシステム向け自己回帰型マルチモーダル異常検知」は、2026年10月22日に arXiv へ投稿された。識別子は arXiv:2610.31722v1 で、機械学習（cs.LG）に分類され、人工知能（cs.AI）とソフトウェア工学（cs.SE）にも関連する。全文は14ページで、8点の図と7点の表を含む。
マイクロサービスアーキテクチャは、大規模クラウドアプリケーションの主流として定着しており、迅速なデプロイと柔軟なスケーリングを可能にする。一方で、サービス間の依存関係が密接なため、単一コンポーネントの障害や性能異常が呼び出し連鎖に沿って急速に伝播し、エンドツーエンドのシステム動作に深刻な影響を与えうる。したがって、異常をいかに正確かつ迅速に検知するかが、システムの信頼性と可用性を左右する。
既存のマルチモーダル異常検知手法には、大きく二つの課題がある。第一に、モダリティ間の融合を優先するあまり、各モダリティ固有の特徴が軽視され、融合の過程で重要な情報が薄まる。第二に、特徴再構成の過程で「アイデンティティ・ショートカット」と呼ばれる問題が生じ、モデルがデータの内在的な規則を学ぶ代わりに現在の入力をそのままコピーして再構成してしまい、検知の感度が損なわれる。
これらの課題に対処するため、著者らは大規模言語モデル（LLM）に基づく自己回帰型マルチモーダル異常検知フレームワーク LLMMAD を提案する。モダリティ間融合とモダリティ固有性の保持を両立させるため、LLMMAD はまずマルチモーダルデータを埋め込み、統合シーケンスへ再構成して LLM に処理させ、モダリティ間の関係をモデル化する。同時に、モダリティごとに分割された再構成ヘッドを導入し、各モダリティに固有の情報を保持する。
アイデンティティ・ショートカットを排除するため、研究チームは予測駆動型の自己回帰目的を設計した。この目的の下でモデルは現在の入力を再構成するのではなく、システムの将来状態を予測することを求められ、データの時間的進化を捉えることが強制される。
著者らは3つの実データセットで広範な実験を行った。結果として LLMMAD は最先端手法を一貫して上回り、F1 スコアはそれぞれ 3.1%、1.4%、0.9% 向上した。著者らはこの成果がマイクロサービス監視におけるより信頼性の高い解決策を提供すると述べている。