論文の概要: ALARM: Automated MLLM-Based Anomaly Detection in Complex-EnviRonment Monitoring with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2512.03101v1
• Date: Mon, 01 Dec 2025 19:03:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:57:02.672246
• Title: ALARM: Automated MLLM-Based Anomaly Detection in Complex-EnviRonment Monitoring with Uncertainty Quantification
• Title（参考訳）: ALARM:不確かさの定量化による複雑環境モニタリングにおけるMLLMに基づく自動異常検出
• Authors: Congjing Zhang, Feng Lin, Xinyi Zhao, Pei Guo, Wei Li, Lin Chen, Chaoyue Zhao, Shuai Huang,
• Abstract要約: 本稿では,我々のUQ支援MLLMに基づく視覚異常検出フレームワークであるALARMを紹介する。 AlARMは、推論チェーン、自己回帰、MLLMアンサンブルなどの品質保証技術を統合して、堅牢で正確なパフォーマンスを実現している。 実世界のスマートホームベンチマークデータと創傷画像分類データを用いて大規模な実験評価を行い、ALARMの優れた性能と、信頼性の高い意思決定のために異なる領域にまたがる汎用的な適用性を示す。
• 参考スコア（独自算出の注目度）: 16.05388703860442
• License:
• Abstract: The advance of Large Language Models (LLMs) has greatly stimulated research interest in developing multi-modal LLM (MLLM)-based visual anomaly detection (VAD) algorithms that can be deployed in complex environments. The challenge is that in these complex environments, the anomalies are sometimes highly contextual and also ambiguous, and thereby, uncertainty quantification (UQ) is a crucial capacity for an MLLM-based VAD system to succeed. In this paper, we introduce our UQ-supported MLLM-based VAD framework called ALARM. ALARM integrates UQ with quality-assurance techniques like reasoning chain, self-reflection, and MLLM ensemble for robust and accurate performance and is designed based on a rigorous probabilistic inference pipeline and computational process. Extensive empirical evaluations are conducted using the real-world smart-home benchmark data and wound image classification data, which shows ALARM's superior performance and its generic applicability across different domains for reliable decision-making.
• Abstract（参考訳）: LLM(Large Language Models)の進歩は、複雑な環境に展開可能なマルチモーダルLLM(MLLM)ベースの視覚異常検出(VAD)アルゴリズムの開発に対する研究の関心を大いに刺激してきた。 これらの複雑な環境では、異常は文脈的にも曖昧であり、したがって不確実な定量化(UQ)はMLLMベースのVADシステムにとって重要な能力である。 本稿では,ALARM という UQ ベースの MLLM ベースの VAD フレームワークについて紹介する。 ALARMは、推論チェーン、自己回帰、MLLMアンサンブルなどの品質保証技術とUQを統合し、厳密な確率論的推論パイプラインと計算プロセスに基づいて設計されている。 実世界のスマートホームベンチマークデータと創傷画像分類データを用いて大規模な実験評価を行い、ALARMの優れた性能と、信頼性の高い意思決定のために異なる領域にまたがる汎用的な適用性を示す。

関連論文リスト

• SIMBA UQ: Similarity-Based Aggregation for Uncertainty Quantification in Large Language Models [17.805673311465295]
  不確実性定量化(UQ)は不確実性の尺度を提供する。 Black-box UQメソッドは内部モデル情報へのアクセスを必要としない。 本稿では,高レベルな非言語的類似性に基づくアグリゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-10T17:22:53Z)
• LLM as an Algorithmist: Enhancing Anomaly Detectors via Programmatic Synthesis [40.82779720776548]
  大きな言語モデル(LLM)は驚くべき推論能力を示している。 我々のフレームワークは、LLMを「データプロセッサ」から「アルゴリズム」に再配置する。
  論文  参考訳（メタデータ） (2025-10-04T19:00:51Z)
• Exploring LLM-based Frameworks for Fault Diagnosis [2.2562573557834686]
  大規模言語モデル(LLM)に基づくシステムは,センサリッチ産業環境における自律型健康モニタリングの新たな機会を提供する。 本研究では,LLMがセンサデータから直接障害を検出し,分類すると同時に,自然言語の推論を通じて本質的に説明可能なアウトプットを生成する可能性について検討する。
  論文  参考訳（メタデータ） (2025-09-27T04:53:15Z)
• Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [78.09559830840595]
  本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。 異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。 我々は最先端のPTQ手法を実装し、包括的な評価を行う。
  論文  参考訳（メタデータ） (2025-08-20T17:59:51Z)
• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• SPARQL Query Generation with LLMs: Measuring the Impact of Training Data Memorization and Knowledge Injection [81.78173888579941]
  大規模言語モデル(LLM)は、質問応答機能の品質を高めるのに適した方法と考えられている。 LLMはWebデータに基づいてトレーニングされており、ベンチマークや知識グラフがトレーニングデータに含まれているかどうかを研究者は制御できない。 本稿では,自然言語質問からSPARQLクエリを生成し,LLMの品質を評価する手法を提案する。
  論文  参考訳（メタデータ） (2025-07-18T12:28:08Z)
• Uncertainty Quantification of Large Language Models through Multi-Dimensional Responses [4.505944978127014]
  セマンティック・ナレッジ・アウェア・類似性分析を統合した多次元UQフレームワークを提案する。 このアプローチは、意味と知識の両方の次元から重なり合う情報を分離し、意味のバリエーションと事実の一貫性の両方をキャプチャする。 実験により,本手法は不確かさを識別する既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-24T04:05:08Z)
• Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
  不確実性定量化は機械学習アプリケーションにおいて重要な要素である。 最新のUQベースラインの集合を実装した新しいベンチマークを導入する。 我々は、11タスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も効果的なアプローチを特定した。
  論文  参考訳（メタデータ） (2024-06-21T20:06:31Z)

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。