論文の概要: GATE-AD: Graph Attention Network Encoding For Few-Shot Industrial Visual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2603.15300v1
• Date: Mon, 16 Mar 2026 14:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.409341
• Title: GATE-AD: Graph Attention Network Encoding For Few-Shot Industrial Visual Anomaly Detection
• Title（参考訳）: GATE-AD: 産業用視覚異常検出のためのグラフアテンションネットワーク
• Authors: Aggelos Psiris, Yannis Panagakis, Maria Vakalopoulou, Georgios Th. Papadopoulos,
• Abstract要約: Few-Shot Industrial Visual Anomaly Detection (FS-IVAD) は、現代の製造環境において重要な課題である。 本研究はGATE-ADと呼ばれる新しい再構築手法を提案する。
• 参考スコア（独自算出の注目度）: 15.086082749099601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-Shot Industrial Visual Anomaly Detection (FS-IVAD) comprises a critical task in modern manufacturing settings, where automated product inspection systems need to identify rare defects using only a handful of normal/defect-free training samples. In this context, the current study introduces a novel reconstruction-based approach termed GATE-AD. In particular, the proposed framework relies on the employment of a masked, representation-aligned Graph Attention Network (GAT) encoding scheme to learn robust appearance patterns of normal samples. By leveraging dense, patch-level, visual feature tokens as graph nodes, the model employs stacked self-attentional layers to adaptively encode complex, irregular, non-Euclidean, local relations. The graph is enhanced with a representation alignment component grounded on a learnable, latent space, where high reconstruction residual areas (i.e., defects) are assessed using a Scaled Cosine Error (SCE) objective function. Extensive comparative evaluation on the MVTec AD, VisA, and MPDD industrial defect detection benchmarks demonstrates that GATE-AD achieves state-of-the-art performance across the $1$- to $8$-shot settings, combining the highest detection accuracy (increase up to $1.8\%$ in image AUROC in the 8-shot case in MPDD) with the lowest per-image inference latency (at least $25.05\%$ faster), compared to the best-performing literature methods. In order to facilitate reproducibility and further research, the source code of GATE-AD is available at https://github.com/gthpapadopoulos/GATE-AD.
• Abstract（参考訳）: Few-Shot Industrial Visual Anomaly Detection (FS-IVAD) は、現代の製造環境において重要な課題である。 この文脈では、GATE-ADと呼ばれる新しい再構成に基づくアプローチが紹介されている。 特に,提案するフレームワークは,正規サンプルのロバストな出現パターンを学習するためのGAT符号化方式に頼っている。 グラフノードとして高密度でパッチレベルの視覚的特徴トークンを活用することにより、複雑な非ユークリッド的な局所的関係を適応的にエンコードするために、スタック化された自己アテンション層を使用する。 グラフは学習可能な潜在空間を基盤とした表現整列成分で拡張され、SCE(Scaled Cosine Error)目標関数を用いて高い再構成残差領域(欠陥)が評価される。 MVTec AD、VisA、MPDDの産業欠陥検出ベンチマークの大規模な評価は、GATE-ADが1ドルから8ドルの価格設定で最先端のパフォーマンスを達成することを示した。 再現性とさらなる研究を容易にするため、GATE-ADのソースコードはhttps://github.com/gthpapadopoulos/GATE-ADで入手できる。

関連論文リスト

• AutoGraphAD: A novel approach using Variational Graph Autoencoders for anomalous network flow detection [2.4159082914715495]
  AutoGraphADは異種変分グラフオートエンコーダに基づく教師なし異常検出手法である。 タイムウィンドウ内でネットワークアクティビティをキャプチャする接続ノードとIPノードで構成された異種グラフで動作する。 約1.18桁の高速トレーニングと1.03桁の高速推論を実現している。
  論文  参考訳（メタデータ） (2025-11-21T10:22:00Z)
• Enhancing Fairness in Autoencoders for Node-Level Graph Anomaly Detection [3.487370856323828]
  グラフ異常検出(GAD)は、様々な領域でますます重要になっている。 しかし、GADの公平性に関する考察はいまだに過小評価されている。 我々は,GAD性能を維持しながらバイアスを軽減するフレームワークであるtextbfDistextbfEntangled textbfCounterfactual textbfAdversarial textbfFair (DECAF)-GADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T16:12:15Z)
• FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection [54.576802512108685]
  Graph Anomaly Detection (GAD)は、グラフ内の多数から逸脱するノードを特定することを目的としている。 既存のアプローチは、複雑でリソース集約的なトレーニングプロセスのために、高デプロイメントコストとスケーラビリティの不足に悩まされることが多い。 新たなGAD法であるFreeGADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T12:37:20Z)
• AST-Enhanced or AST-Overloaded? The Surprising Impact of Hybrid Graph Representations on Code Clone Detection [0.0]
  コードクローンはソフトウェアのメンテナンスコストを大幅に増加させ、脆弱性リスクを高める。 ASTは、その正確な構文構造表現により、ディープラーニングベースのコードクローン検出を支配している。 近年の研究では、ASTベースの表現をセマンティックグラフで豊かにすることでこの問題に対処している。
  論文  参考訳（メタデータ） (2025-06-17T12:35:17Z)
• Dual Data Alignment Makes AI-Generated Image Detector Easier Generalizable [57.48190915067007]
  検出器はしばしばバイアス付きデータセットに基づいて訓練され、実際の/合成ラベルと突発的に相関する非因果属性に過度に適合する可能性がある。 1つの一般的な解決策は、生成的再構成を通じてデータセットアライメントを実行し、実画像と合成画像のセマンティック内容とを一致させることである。 我々は,画素レベルのアライメントだけでは不十分であることを示す。再構成された画像は依然として周波数レベルの不整合に悩まされており,スプリアス相関が持続する可能性がある。
  論文  参考訳（メタデータ） (2025-05-20T13:42:38Z)
• Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement [33.565252991113766]
  グラフ異常検出(GAD)は、金融詐欺検出から偽ニュース検出まで、さまざまなアプリケーションにおいてますます重要になっている。 現在のGAD法は主に公平性の問題を見落としており、特定の人口集団に対して差別的な決定が下される可能性がある。 DeFENDという属性グラフ上に,DisEntangle-based FairnEss-aware aNomaly Detectionフレームワークを考案した。 実世界のデータセットに対する実証的な評価から、DEFENDはGADにおいて効果的に機能し、最先端のベースラインと比較して公正性を著しく向上することが明らかとなった。
  論文  参考訳（メタデータ） (2024-06-03T04:48:45Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。