用于油井开放世界异常检测的可解释 LLM 代理层

arXiv:2608.04041v1 公告类型：新 摘要：用于油井异常检测的开放世界学习 (OWL) 管道最近被证明可以在公共 3W 数据集上结合基于自动编码器的检测、多类分类和基于 Mahalanobis 的新颖性检测。这些管道回答 \textit{发生了什么}，但它们不解释 \textit{为什么模型相信它} 或 \textit{操作员下一步应该做什么}，并且它们不会在他们发现的新奇簇上放置人类可读的名称。本文评估了位于 OWL 管道下游的大型语言模型 (LLM) 代理层，该代理层被设计为已发布的上游方法的 \textbf{companion} 而不是替代品。使用通过 NVIDIA NIM 提供的 Qwen3.5-397B-A17B 专家混合模型，代理接收结构化传感器指标和上游分类或新颖性断言，并返回自然语言理由、置信度排名批评以及检测到的新颖性的综合名称。在涵盖 3W 数据集中 989 个真实井文件段的三项研究中，代理在所有九个类别上实现了 $35.1\%$ top-1 / $63.9\%$ top-3 (95\% CI [56.9, 70.4]) 分类，$71.7\%$ top-2 验证 [64.8, 77.6]，精度为 $0.91$ [0.84, 0.95]跨 7 个探测类，以及 $89.7\%$ 新颖性检测 [87.0, 91.9]，在 7 个隐藏类中的 5 个上具有稳定的簇命名。代理不是独立的分类器。其作用是：（1）当传感器证据支持上游决策时确认上游决策，（2）以操作员可以审核的基于传感器的语言证明决策的合理性，（3）当上游标签不可信时标记分歧，以及（4）命名新奇事物，以便聚集的未标记事件以统一的人类可读标签到达工程师。目标是缩小目前阻碍在运营环境中部署 OWL 管道的可解释性差距。