論文の概要: RobustA: Robust Anomaly Detection in Multimodal Data

• arxiv url: http://arxiv.org/abs/2511.07276v1
• Date: Mon, 10 Nov 2025 16:22:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.364321
• Title: RobustA: Robust Anomaly Detection in Multimodal Data
• Title（参考訳）: RobustA:マルチモーダルデータにおけるロバスト異常検出
• Authors: Salem AlMarri, Muhammad Irzam Liaqat, Muhammad Zaigham Zaheer, Shah Nawaz, Karthik Nandakumar, Markus Schedl,
• Abstract要約: 実世界のマルチモーダルデータは、予期せぬ環境歪みのためにしばしば破損する。 本研究は,マルチモーダル異常検出タスクにおける劣化モードの悪影響を包括的に調査する第一種研究である。 本稿では, 破損したモダリティに対して顕著なレジリエンスを示すマルチモーダル異常検出法を提案する。
• 参考スコア（独自算出の注目度）: 36.12479703956958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, multimodal anomaly detection methods have demonstrated remarkable performance improvements over video-only models. However, real-world multimodal data is often corrupted due to unforeseen environmental distortions. In this paper, we present the first-of-its-kind work that comprehensively investigates the adverse effects of corrupted modalities on multimodal anomaly detection task. To streamline this work, we propose RobustA, a carefully curated evaluation dataset to systematically observe the impacts of audio and visual corruptions on the overall effectiveness of anomaly detection systems. Furthermore, we propose a multimodal anomaly detection method, which shows notable resilience against corrupted modalities. The proposed method learns a shared representation space for different modalities and employs a dynamic weighting scheme during inference based on the estimated level of corruption. Our work represents a significant step forward in enabling the real-world application of multimodal anomaly detection, addressing situations where the likely events of modality corruptions occur. The proposed evaluation dataset with corrupted modalities and respective extracted features will be made publicly available.
• Abstract（参考訳）: 近年,ビデオのみのモデルに比べて,マルチモーダル異常検出法が顕著な性能向上をみせている。 しかし、実世界のマルチモーダルデータは、予期せぬ環境歪みのためにしばしば破損する。 本稿では,マルチモーダル異常検出タスクにおける劣化モードの悪影響を包括的に調査する。 本研究の合理化のために,ロバストAを提案する。ロバストAは,音声と視覚の破損が異常検出システム全体の効果に与える影響を系統的に観察する,慎重に計算された評価データセットである。 さらに, 破損したモダリティに対して顕著なレジリエンスを示すマルチモーダル異常検出手法を提案する。 提案手法は,異なるモダリティの共有表現空間を学習し,推定された劣化レベルに基づいて推論中に動的重み付け方式を用いる。 我々の研究は、マルチモーダルな異常検出の現実的な応用を可能にするための重要な一歩であり、モダリティの腐敗が起こる可能性のある状況に対処するものである。 劣化したモダリティと抽出した特徴を持つ評価データセットを公開する。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• S2DEVFMAP: Self-Supervised Learning Framework with Dual Ensemble Voting Fusion for Maximizing Anomaly Prediction in Timeseries [0.0]
  異常検出は、特に冷却システムの信頼性と最適性能を維持する上で、産業環境において重要な役割を担っている。 この研究は、5つの異種独立モデルと2重アンサンブル融合を用いた新しい頑健なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-24T20:09:21Z)
• Few-Shot Anomaly Detection with Adversarial Loss for Robust Feature Representations [8.915958745269442]
  異常検出は、データセット内の通常のパターンや分布から逸脱したデータポイントを特定することを目的とした、重要で困難なタスクである。 ワンクラス・ワン・モデル手法を用いて様々な手法が提案されているが、これらの手法はメモリ不足や訓練に十分なデータを必要とするといった現実的な問題に直面していることが多い。 本稿では,より堅牢で一般化された特徴表現を得るために,対向訓練損失を統合する数発の異常検出手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T09:45:02Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)

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。