論文の概要: CADIC: Continual Anomaly Detection Based on Incremental Coreset

• arxiv url: http://arxiv.org/abs/2511.08634v1
• Date: Thu, 13 Nov 2025 01:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.159291
• Title: CADIC: Continual Anomaly Detection Based on Incremental Coreset
• Title（参考訳）: CADIC:インクリメンタルコアセットに基づく連続的異常検出
• Authors: Gen Yang, Zhipeng Deng, Junfeng Man,
• Abstract要約: 本稿では,全てのタスクが統一メモリバンクを共有する新しいCADフレームワークを提案する。 トレーニング中、このメソッドは固定サイズのコアセット内の埋め込みを漸進的に更新する。 推論段階では、異常スコアは最寄りのマッチング機構を介して計算される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The primary objective of Continual Anomaly Detection (CAD) is to learn the normal patterns of new tasks under dynamic data distribution assumptions while mitigating catastrophic forgetting. Existing embedding-based CAD approaches continuously update a memory bank with new embeddings to adapt to sequential tasks. However, these methods require constructing class-specific sub-memory banks for each task, which restricts their flexibility and scalability. To address this limitation, we propose a novel CAD framework where all tasks share a unified memory bank. During training, the method incrementally updates embeddings within a fixed-size coreset, enabling continuous knowledge acquisition from sequential tasks without task-specific memory fragmentation. In the inference phase, anomaly scores are computed via a nearest-neighbor matching mechanism, achieving state-of-the-art detection accuracy. We validate the method through comprehensive experiments on MVTec AD and Visa datasets. Results show that our approach outperforms existing baselines, achieving average image-level AUROC scores of 0.972 (MVTec AD) and 0.891 (Visa). Notably, on a real-world electronic paper dataset, it demonstrates 100% accuracy in anomaly sample detection, confirming its robustness in practical scenarios. The implementation will be open-sourced on GitHub.
• Abstract（参考訳）: 連続異常検出 (CAD) の主な目的は, 破滅的な忘れ込みを軽減しつつ, 動的データ分布仮定の下で, 新たなタスクの正常なパターンを学習することである。 既存の埋め込みベースのCADアプローチは、シーケンシャルなタスクに適応するために、新しい埋め込みを伴うメモリバンクを継続的に更新する。 しかし、これらの手法では各タスクごとにクラス固有のサブメモリバンクを構築する必要があり、柔軟性とスケーラビリティが制限される。 この制限に対処するために、全てのタスクが統一メモリバンクを共有する新しいCADフレームワークを提案する。 トレーニング中、この方法は固定サイズのコアセット内の埋め込みを漸進的に更新し、タスク固有のメモリフラグメンテーションなしでシーケンシャルなタスクからの継続的な知識獲得を可能にする。 推測段階では、異常スコアは最寄りのマッチング機構を介して計算され、最先端検出精度が達成される。 MVTec AD および Visa データセットの総合的な実験により,本手法の有効性を検証した。 その結果,提案手法は既存のベースラインよりも優れており,平均画像レベルのAUROCスコアは0.972(MVTec AD)と0.891(Visa)であることがわかった。 特に、実世界の電子ペーパーデータセットでは、異常サンプル検出における100%の精度を示し、実用シナリオにおけるその堅牢性を確認する。 実装はGitHubでオープンソース化される予定だ。

関連論文リスト

• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• TADIL: Task-Agnostic Domain-Incremental Learning through Task-ID Inference using Transformer Nearest-Centroid Embeddings [0.0]
  ドメイン・インクリメンタル・ラーニングのシナリオにおいて,教師なしのタスクを識別するための新しいパイプラインを提案する。 我々は、パイプラインの軽量な計算要求を活用して、新しいタスクをいつ学習するかをオンラインで決定するアルゴリズムを考案する。
  論文  参考訳（メタデータ） (2023-06-21T00:55:02Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)

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。