論文の概要: A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection

• arxiv url: http://arxiv.org/abs/2508.17827v1
• Date: Mon, 25 Aug 2025 09:27:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.711167
• Title: A Contrastive Learning-Guided Confident Meta-learning for Zero Shot Anomaly Detection
• Title（参考訳）: ゼロショット異常検出のためのコントラスト学習指導型信頼メタラーニング
• Authors: Muhammad Aqeel, Danijel Skocaj, Marco Cristani, Francesco Setti,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.73056562717683
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Industrial and medical anomaly detection faces critical challenges from data scarcity and prohibitive annotation costs, particularly in evolving manufacturing and healthcare settings. To address this, we propose CoZAD, a novel zero-shot anomaly detection framework that integrates soft confident learning with meta-learning and contrastive feature representation. Unlike traditional confident learning that discards uncertain samples, our method assigns confidence-based weights to all training data, preserving boundary information while emphasizing prototypical normal patterns. The framework quantifies data uncertainty through IQR-based thresholding and model uncertainty via covariance based regularization within a Model-Agnostic Meta-Learning. Contrastive learning creates discriminative feature spaces where normal patterns form compact clusters, enabling rapid domain adaptation. Comprehensive evaluation across 10 datasets spanning industrial and medical domains demonstrates state-of-the-art performance, outperforming existing methods on 6 out of 7 industrial benchmarks with notable improvements on texture-rich datasets (99.2% I-AUROC on DTD-Synthetic, 97.2% on BTAD) and pixellevel localization (96.3% P-AUROC on MVTec-AD). The framework eliminates dependence on vision-language alignments or model ensembles, making it valuable for resourceconstrained environments requiring rapid deployment.
• Abstract（参考訳）: 産業的および医療的異常検出は、特に製造や医療環境の進化において、データの不足と禁止的なアノテーションコストから重要な課題に直面している。 これを解決するために,メタラーニングと対照的な特徴表現をソフト・インテリジェンス・ラーニングに統合した新しいゼロショット異常検出フレームワークであるCoZADを提案する。 不確実なサンプルを廃棄する従来の確実性学習とは異なり、本手法は信頼度に基づく重み付けをすべてのトレーニングデータに割り当て、境界情報を保存するとともに、原型的正規パターンを強調する。 このフレームワークは、モデル非依存メタラーニング内の共分散に基づく正規化を通じて、IDCベースのしきい値設定とモデル不確実性を定量化する。 対照的な学習は、通常のパターンがコンパクトなクラスタを形成する識別的特徴空間を生成し、迅速なドメイン適応を可能にする。 産業領域と医療領域にまたがる10のデータセットの総合的な評価は、テクスチャに富んだデータセット(DTD-Syntheticでは99.2% I-AUROC、BTADでは97.2%)とピクセルレベルのローカライゼーション(MVTec-ADでは96.3% P-AUROC、MVTec-ADでは96.3% P-AUROC)を顕著に改善した7つの産業ベンチマークのうち6つのうち6つで、既存の手法よりも優れている。 このフレームワークは、視覚言語によるアライメントやモデルアンサンブルへの依存を排除し、迅速なデプロイを必要とするリソース制約のある環境にとって価値がある。

関連論文リスト

• Robust Anomaly Detection in Industrial Environments via Meta-Learning [12.690752260618522]
  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。
  論文  参考訳（メタデータ） (2025-08-25T08:35:28Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [51.55434084913129]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では,未ラベルデータを利用したメタラーニングに基づく新しい手法を提案する。 実世界のデータセットに挑戦する上で、大きなパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Federated Learning with Anomaly Detection via Gradient and Reconstruction Analysis [2.28438857884398]
  自動エンコーダ駆動のデータ再構成と勾配解析を相乗化して、前例のない精度で有毒データを検出・緩和する新しいフレームワークを提案する。 本手法は, 最小偽陽性率を維持しつつ, 異常検出精度を15%向上させる。 私たちの仕事は、分散学習のセキュリティにおける将来の進歩の道を開くものです。
  論文  参考訳（メタデータ） (2024-03-15T03:54:45Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• ReConPatch : Contrastive Patch Representation Learning for Industrial Anomaly Detection [5.998761048990598]
  本稿では,事前学習モデルから抽出したパッチ特徴の線形変調を訓練することにより,異常検出のための識別機能を構築するReConPatchを紹介する。 本手法は,MVTec ADデータセットに対して,最先端の異常検出性能(99.72%)を実現する。
  論文  参考訳（メタデータ） (2023-05-26T07:59:36Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。