論文の概要: On-Device Continual Learning for Unsupervised Visual Anomaly Detection in Dynamic Manufacturing

• arxiv url: http://arxiv.org/abs/2512.13497v1
• Date: Mon, 15 Dec 2025 16:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.750375
• Title: On-Device Continual Learning for Unsupervised Visual Anomaly Detection in Dynamic Manufacturing
• Title（参考訳）: ダイナミックマニュファクチャリングにおける教師なし視覚異常検出のためのオンデバイス連続学習
• Authors: Haoyu Ren, Kay Koehle, Kirill Dorofeev, Darko Anicic,
• Abstract要約: 視覚異常検出(VAD)は自動検査と一貫した製品品質に不可欠である。 レガシーエッジハードウェアには、大規模なAIモデルをトレーニングおよび実行するためのリソースが不足している。 PatchCoreを拡張して,実世界の産業シナリオにオンライン学習を取り入れています。
• 参考スコア（独自算出の注目度）: 0.966524491530731
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern manufacturing, Visual Anomaly Detection (VAD) is essential for automated inspection and consistent product quality. Yet, increasingly dynamic and flexible production environments introduce key challenges: First, frequent product changes in small-batch and on-demand manufacturing require rapid model updates. Second, legacy edge hardware lacks the resources to train and run large AI models. Finally, both anomalous and normal training data are often scarce, particularly for newly introduced product variations. We investigate on-device continual learning for unsupervised VAD with localization, extending the PatchCore to incorporate online learning for real-world industrial scenarios. The proposed method leverages a lightweight feature extractor and an incremental coreset update mechanism based on k-center selection, enabling rapid, memory-efficient adaptation from limited data while eliminating costly cloud retraining. Evaluations on an industrial use case are conducted using a testbed designed to emulate flexible production with frequent variant changes in a controlled environment. Our method achieves a 12% AUROC improvement over the baseline, an 80% reduction in memory usage, and faster training compared to batch retraining. These results confirm that our method delivers accurate, resource-efficient, and adaptive VAD suitable for dynamic and smart manufacturing.
• Abstract（参考訳）: 現代の製造において、視覚異常検出(VAD)は自動検査と一貫した製品品質に不可欠である。 第一に、小さなバッチとオンデマンド製造における頻繁な製品変更は、迅速なモデル更新を必要とします。 第2に、レガシーエッジハードウェアには、大規模なAIモデルをトレーニングおよび実行するためのリソースが欠けている。 最後に、異常なトレーニングデータと通常のトレーニングデータの両方が、特に新しく導入された製品のバリエーションに対して不足することが多い。 実世界の産業シナリオにオンライン学習を組み込むために、PatchCoreを拡張して、非教師なしVADのオンデバイス連続学習をローカライズする。 提案手法は,k-center選択に基づく軽量な特徴抽出器とインクリメンタルコアセット更新機構を活用し,コストのかかるクラウド再トレーニングを排除しつつ,限られたデータからの高速でメモリ効率の高い適応を可能にする。 制御環境における頻繁な変化を伴うフレキシブル生産をエミュレートするテストベッドを用いて, 工業利用事例の評価を行った。 本手法は,ベースラインよりも12%のAUROC改善,80%のメモリ使用量の削減,バッチ再トレーニングよりも高速なトレーニングを実現する。 これらの結果から, 動的・スマートな製造に適した精度, 資源効率, 適応型VADが得られた。

関連論文リスト

• Continuous GNN-based Anomaly Detection on Edge using Efficient Adaptive Knowledge Graph Learning [4.479496001941191]
  ビデオ異常検出(VAD)は、インテリジェント監視、証拠調査、暴力検出などのアプリケーションにおいて重要なタスクである。 VADの従来のアプローチは、しばしば大規模で事前訓練されたモデルの微調整に依存しており、計算コストが高く、リアルタイムやリソース制約のある環境では実用的ではない。 本稿では,クラウド依存の限界を克服し,エッジデバイス上での連続KG適応を容易にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:55:45Z)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [52.40798352740857]
  3つのコアコンポーネントで構成されるICU(Iterative Contrastive Unlearning)フレームワークを紹介する。 知識未学習誘導モジュールは、未学習の損失を使用して、特定の知識を除去するためにターゲットとする。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を保持する。 イテレーティブ・アンラーニング・リファインメントモジュールは、進行中の評価と更新を通じて、アンラーニングプロセスを動的に調整する。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• Test-Time Adaptation for Combating Missing Modalities in Egocentric Videos [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)
• Robust Imitation Learning for Automated Game Testing [1.6385815610837167]
  本稿では,行動クローニング(BC)とエネルギーベースモデル(EBM)を組み合わせた新しい模倣学習型アーキテクチャであるEVOLUTEを提案する。 EVOLUTEは、自律エージェントのアクション空間を連続的および離散的なタスクに分割する、2ストリームアンサンブルモデルである。 本研究では,攻撃対象を連続的に特定するためにエージェントが要求されるシューティング・アンド・ドライビング・ゲームにおけるEVOLUTEの性能を評価する。
  論文  参考訳（メタデータ） (2024-01-09T14:18:25Z)
• Reducing Impacts of System Heterogeneity in Federated Learning using Weight Update Magnitudes [0.0]
  フェデレートされた学習により、機械学習モデルでは、各ハンドヘルドデバイス上でローカルにトレーニングできると同時に、ニューロンのアップデートをサーバと同期するのみである。 その結果、フェデレーション学習タスクのトレーニング時間は、いくつかの低パフォーマンスストラグラーデバイスによって予測される。 本研究では,その性能と精度のフィードバックに基づいて,トラグラーのサブモデルを動的に形成することにより,フェデレーション学習の性能ボトルネックを軽減することを目的とする。
  論文  参考訳（メタデータ） (2022-08-30T00:39:06Z)
• Regularization-based Continual Learning for Anomaly Detection in Discrete Manufacturing [0.0]
  異常の早期検出により、オペレーターは害を防止できる。 生産機械や製品に欠陥があります データ駆動異常検出の現在のアプローチは、トレーニングされたプロセスの正確な結果を提供する。 継続的学習はこのような柔軟性を約束し、以前の学習した知識を新しいタスクに自動適応させることができる。
  論文  参考訳（メタデータ） (2021-01-02T20:06:00Z)

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。