論文の概要: Interpretable Logical Anomaly Classification via Constraint Decomposition and Instruction Fine-Tuning

• arxiv url: http://arxiv.org/abs/2602.03530v1
• Date: Tue, 03 Feb 2026 13:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.476959
• Title: Interpretable Logical Anomaly Classification via Constraint Decomposition and Instruction Fine-Tuning
• Title（参考訳）: 制約分解と命令ファインチューニングによる解釈可能な論理異常分類
• Authors: Xufei Zhang, Xinjiao Zhou, Ziling Deng, Dongdong Geng, Jianxiong Wang,
• Abstract要約: 我々は,単一推論ステップにおいて,異常検出ときめ細かい違反分類を統一するタスクである論理異常分類(LAC)を導入する。 LACに取り組むために,複雑な論理的制約を検証可能なサブクエリ列に分解する視覚言語フレームワークであるLogiClsを提案する。
• 参考スコア（独自算出の注目度）: 0.17722218114340835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Logical anomalies are violations of predefined constraints on object quantity, spatial layout, and compositional relationships in industrial images. While prior work largely treats anomaly detection as a binary decision, such formulations cannot indicate which logical rule is broken and therefore offer limited value for quality assurance. We introduce Logical Anomaly Classification (LAC), a task that unifies anomaly detection and fine-grained violation classification in a single inference step. To tackle LAC, we propose LogiCls, a vision-language framework that decomposes complex logical constraints into a sequence of verifiable subqueries. We further present a data-centric instruction synthesis pipeline that generates chain-of-thought (CoT) supervision for these subqueries, coupling precise grounding annotations with diverse image-text augmentations to adapt vision language models (VLMs) to logic-sensitive reasoning. Training is stabilized by a difficulty-aware resampling strategy that emphasizes challenging subqueries and long tail constraint types. Extensive experiments demonstrate that LogiCls delivers robust, interpretable, and accurate industrial logical anomaly classification, providing both the predicted violation categories and their evidence trails.
• Abstract（参考訳）: 論理的異常は、産業画像における対象量、空間的レイアウト、構成的関係に関する事前定義された制約に違反している。 先行研究は異常検出を二項決定として扱うが、そのような定式化はどの論理規則が破られたかを示すことはできず、したがって品質保証に限定的な価値を与える。 我々は,単一推論ステップにおいて,異常検出ときめ細かい違反分類を統一するタスクである論理異常分類(LAC)を導入する。 複雑な論理的制約を検証可能なサブクエリ列に分解する視覚言語フレームワークであるLogiClsを提案する。 さらに、これらのサブクエリに対するチェーン・オブ・シンクタンク(CoT)の監督を生成するデータ中心の命令合成パイプラインを提案し、視覚言語モデル(VLM)を論理に敏感な推論に適応させるために、さまざまな画像テキスト拡張と正確な基底アノテーションを結合する。 トレーニングは、挑戦的なサブクエリと長い尾の制約タイプを強調した、困難を意識した再サンプリング戦略によって安定化される。 広範な実験により、LogiClsは堅牢で解釈可能で正確な産業論理的異常分類を提供し、予測された違反カテゴリとエビデンストレイルの両方を提供することが示された。

関連論文リスト

• Cascading multi-agent anomaly detection in surveillance systems via vision-language models and embedding-based classification [0.0]
  この研究は、補完パラダイムをコヒーレントで解釈可能なアーキテクチャに統一するカスケーディングマルチエージェントフレームワークを導入している。 初期モジュールは再構成ゲートフィルタリングとオブジェクトレベルの評価を行い、高レベルの推論エージェントは、意味的に曖昧な事象を解釈するために選択的に呼び出される。 このフレームワークは、早期出力効率、適応型マルチエージェント推論、説明可能な異常属性を組み合わせることで、従来の検出パイプラインを超えて進歩し、スケーラブルなインテリジェントなビジュアル監視のための再現可能でエネルギー効率の良い基盤を確立する。
  論文  参考訳（メタデータ） (2026-01-08T11:31:47Z)
• Eidoku: A Neuro-Symbolic Verification Gate for LLM Reasoning via Structural Constraint Satisfaction [0.0]
  大規模言語モデル(LLM)は、しばしば、モデル自身によって高い確率で割り当てられる幻覚文を生成する。 このことは、幻覚はしばしば低信頼現象ではなく、構造的整合性の失敗であることを示している。 我々は,LLM推論を,生成可能性とは独立に動作する制約満足度問題(CSP)として検証する。
  論文  参考訳（メタデータ） (2025-12-19T05:29:43Z)
• Controllable Logical Hypothesis Generation for Abductive Reasoning in Knowledge Graphs [54.596180382762036]
  知識グラフの帰納的推論は、観測された実体からもっともらしい論理的仮説を生成することを目的としている。 可制御性の欠如により、単一の観測は、多くの妥当だが冗長あるいは無関係な仮説をもたらす可能性がある。 帰納的推論の実用性を改善するために,制御可能な仮説生成タスクを導入する。
  論文  参考訳（メタデータ） (2025-05-27T09:36:47Z)
• LAD-Reasoner: Tiny Multimodal Models are Good Reasoners for Logical Anomaly Detection [27.45348890285863]
  本稿では,論理的推論を組み込んで従来の異常検出を拡張したReasoning Logical Anomaly Detection (RLAD)を提案する。 本稿では,Qwen2.5-VL 3B上に構築された小型マルチモーダル言語モデルであるLAD-Reasonerを提案する。 MVTec LOCO ADデータセットの実験では、LAD-Reasonerははるかに小さく、精度はQwen2.5-VL-72BとF1のスコアと一致している。
  論文  参考訳（メタデータ） (2025-04-17T08:41:23Z)
• The Curse of CoT: On the Limitations of Chain-of-Thought in In-Context Learning [56.574829311863446]
  CoT(Chain-of-Thought)プロンプトは,大規模言語モデル(LLM)における推論能力の向上によって広く認識されている。 我々は、CoTとその推論変異が、様々なモデルスケールやベンチマークの複雑さに対して、直接応答を一貫して過小評価していることを実証する。 パターンベースICLにおけるCoTの性能を駆動する明示的単純推論の基本的なハイブリッド機構を明らかにする。
  論文  参考訳（メタデータ） (2025-04-07T13:51:06Z)
• Logic-induced Diagnostic Reasoning for Semi-supervised Semantic Segmentation [85.12429517510311]
  LogicDiagは、セマンティックセグメンテーションのためのニューラルネットワークによる半教師付き学習フレームワークである。 私たちの重要な洞察は、記号的知識によって識別される擬似ラベル内の衝突は、強いが一般的に無視される学習信号として機能する、ということです。 本稿では,論理規則の集合として意味論的概念の構造的抽象化を定式化するデータ・ハングリーセグメンテーションシナリオにおけるLogicDiagの実践的応用について紹介する。
  論文  参考訳（メタデータ） (2023-08-24T06:50:07Z)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• 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)
• Modeling Hierarchical Reasoning Chains by Linking Discourse Units and Key Phrases for Reading Comprehension [80.99865844249106]
  本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。 具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
  論文  参考訳（メタデータ） (2023-06-21T07:34:27Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)

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。