論文の概要: Robust Anomaly Detection in Industrial Environments via Meta-Learning

• arxiv url: http://arxiv.org/abs/2508.17789v1
• Date: Mon, 25 Aug 2025 08:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.694185
• Title: Robust Anomaly Detection in Industrial Environments via Meta-Learning
• Title（参考訳）: メタラーニングによる産業環境のロバスト異常検出
• Authors: Muhammad Aqeel, Shakiba Sharifi, Marco Cristani, Francesco Setti,
• Abstract要約: 本稿では,正規化フローとモデル非依存メタラーニングを統合したロバストな異常検出フレームワークRADを提案する。 提案手法では,メタラーニングによって様々な雑音条件に迅速に適応できる二段階最適化方式を用いる。 以上の結果から,RADのノイズの多い訓練条件に対する特異なレジリエンスと,様々な産業シナリオにおける微妙な異常を検出する能力が浮き彫りになった。
• 参考スコア（独自算出の注目度）: 12.690752260618522
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection is fundamental for ensuring quality control and operational efficiency in industrial environments, yet conventional approaches face significant challenges when training data contains mislabeled samples-a common occurrence in real-world scenarios. This paper presents RAD, a robust anomaly detection framework that integrates Normalizing Flows with Model-Agnostic Meta-Learning to address the critical challenge of label noise in industrial settings. Our approach employs a bi-level optimization strategy where meta-learning enables rapid adaptation to varying noise conditions, while uncertainty quantification guides adaptive L2 regularization to maintain model stability. The framework incorporates multiscale feature processing through pretrained feature extractors and leverages the precise likelihood estimation capabilities of Normalizing Flows for robust anomaly scoring. Comprehensive evaluation on MVTec-AD and KSDD2 datasets demonstrates superior performance, achieving I-AUROC scores of 95.4% and 94.6% respectively under clean conditions, while maintaining robust detection capabilities above 86.8% and 92.1% even when 50% of training samples are mislabeled. The results highlight RAD's exceptional resilience to noisy training conditions and its ability to detect subtle anomalies across diverse industrial scenarios, making it a practical solution for real-world anomaly detection applications where perfect data curation is challenging.
• Abstract（参考訳）: 異常検出は, 産業環境における品質管理と運転効率の確保に基本的だが, 従来の手法では, 誤ラベルデータを含む場合, 実世界のシナリオでよく見られるような, 重要な課題に直面している。 本稿では,産業環境におけるラベルノイズの重要な課題を解決するために,正規化フローとモデル非依存メタラーニングを統合したロバストな異常検出フレームワークRADを提案する。 提案手法では,メタラーニングによって様々な雑音条件への迅速な適応が可能であり,不確実性定量化はモデル安定性を維持するために適応L2正規化を導く。 このフレームワークは、事前訓練された特徴抽出器によるマルチスケール特徴処理を取り入れ、ロバストな異常スコアのための正規化フローの精度の高い精度推定機能を利用する。 MVTec-ADとKSDD2データセットの総合的な評価は優れた性能を示し、クリーンな条件下でのI-AUROCスコアは95.4%と94.6%であり、トレーニングサンプルの50%が誤ってラベル付けされた場合でも、86.8%と92.1%以上の堅牢な検出能力を維持している。 この結果は、RADのノイズの多いトレーニング条件に対する例外的なレジリエンスと、さまざまな産業シナリオにおける微妙な異常を検出する能力を強調しており、完全なデータキュレーションが困難である現実世界の異常検出アプリケーションに対して、実用的なソリューションとなっている。

関連論文リスト

• A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection [17.73056562717683]
  CoZADは、新しいゼロショット異常検出フレームワークである。 ソフト・インテリジェンス・ラーニングとメタラーニングとコントラスト的特徴表現を統合している。 7つの産業ベンチマークのうち6つで既存の手法を上回ります。
  論文  参考訳（メタデータ） (2025-08-25T09:27:31Z)
• Semi-Supervised Defect Detection via Conditional Diffusion and CLIP-Guided Noise Filtering [8.132909775584395]
  本稿では条件拡散(DSYM)に基づく半教師付き欠陥検出フレームワークを提案する。 条件拡散モデルでは,複数スケールの擬似欠陥サンプルを合成し,CLIPクロスモーダル特徴量に基づくノイズフィルタリング機構によりラベル汚染を緩和する。 本研究は,工業品質検査シナリオにおける欠陥検出のための高精度で低ラベル依存のソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-08T01:53:34Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration [2.879328762187361]
  本稿では,適応型異常検出のための新しいフレームワークであるRAAD-LLMを提案する。 ドメイン固有の知識を効果的に活用することにより、RAAD-LLMは時系列データにおける異常の検出を強化する。 実際のデータセットでは,70.7%から88.6%に精度が向上した。
  論文  参考訳（メタデータ） (2025-03-04T17:20:43Z)
• Meta Learning-Driven Iterative Refinement for Robust Anomaly Detection in Industrial Inspection [9.132399905884364]
  本稿では,メタ学習アプローチの適応能力を活用して,ノイズの多い学習データを特定し,拒否し,学習プロセスを改善することを提案する。 本モデルでは, モデル非依存メタ学習(MAML)と, 適応性と堅牢性を高めるために, 異種間距離の拒絶方式による反復的洗練プロセスを採用する。
  論文  参考訳（メタデータ） (2025-03-03T14:11:41Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Industrial Anomaly Detection and Localization Using Weakly-Supervised Residual Transformers [44.344548601242444]
  Weakly-supervised RESidual Transformer (WeakREST) という新しいフレームワークを導入し,高い異常検出精度を実現する。 画素単位の異常局所化タスクをブロック単位の分類問題に再構成する。 弱いラベルと残差に基づく表現との相互作用を処理できるResMixMatchアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-06-06T08:19:30Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。