ICAD-LLM 论文总结与核心部分翻译一、文章主要内容异常检测（AD）在多个领域至关重要，但现有方法多针对单一数据模态，且难以快速适配新场景。为此，本文提出上下文异常检测（ICAD）范式，将异常定义为与相关正常样本参考集的差异性，并设计了统一的异常检测框架 ICAD-LLM。该框架通过三大核心组件满足多模态处理与泛化需求：模态感知编码器（Modality-Aware Encoder）：将时间序列、表格、日志等异质数据投影到统一嵌入空间，解决特征对齐问题；提示引导表示模块（Prompt-Guided Representation Module）：利用大语言模型（LLM）的上下文学习能力，提取对细微差异敏感的模态无关表示；上下文对比学习目标（Contextual Contrastive Learning, CCL）：通过训练样本三元组（参考集、正常样本、异常样本），让模型学会区分正常与异常模式的差异，而非记忆特定任务的分布。实验验证了 ICAD-LLM 的有效性：在时间序列、表格、日志三大模态的标准基准数据集上，性能媲美任务特定方法；同时在未见过的数据集上展现出强泛化能力，无需任务特定再训练，大幅降低部署成本。二、文章创新点提出 ICAD 范式：重新定义异常检测为动态上下文对比