論文の概要: Layer-Specific Lipschitz Modulation for Fault-Tolerant Multimodal Representation Learning

• arxiv url: http://arxiv.org/abs/2603.25103v1
• Date: Thu, 26 Mar 2026 07:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.150891
• Title: Layer-Specific Lipschitz Modulation for Fault-Tolerant Multimodal Representation Learning
• Title（参考訳）: フォールトトレラントなマルチモーダル表現学習のための層特異的リプシッツ変調
• Authors: Diyar Altinses, Andreas Schwung,
• Abstract要約: この研究は、フォールトトレラントなマルチモーダル表現学習のための数学的基盤となるフレームワークを導入する。 単一のアーキテクチャ内で自己教師付き異常検出とエラー訂正を統一する。 マルチモーダル・フォールト・データセットの実験結果から,センサ破損時の異常検出精度と再構成の両面において,提案手法が改良されることが示唆された。
• 参考スコア（独自算出の注目度）: 3.6954802719347417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern multimodal systems deployed in industrial and safety-critical environments must remain reliable under partial sensor failures, signal degradation, or cross-modal inconsistencies. This work introduces a mathematically grounded framework for fault-tolerant multimodal representation learning that unifies self-supervised anomaly detection and error correction within a single architecture. Building upon a theoretical analysis of perturbation propagation, we derive Lipschitz- and Jacobian-based criteria that determine whether a neural operator amplifies or attenuates localized faults. Guided by this theory, we propose a two-stage self-supervised training scheme: pre-training a multimodal convolutional autoencoder on clean data to preserve localized anomaly signals in the latent space, and expanding it with a learnable compute block composed of dense layers for correction and contrastive objectives for anomaly identification. Furthermore, we introduce layer-specific Lipschitz modulation and gradient clipping as principled mechanisms to control sensitivity across detection and correction modules. Experimental results on multimodal fault datasets demonstrate that the proposed approach improves both anomaly detection accuracy and reconstruction under sensor corruption. Overall, this framework bridges the gap between analytical robustness guarantees and practical fault-tolerant multimodal learning.
• Abstract（参考訳）: 産業用および安全上重要な環境に配備された現代のマルチモーダルシステムは、部分的なセンサーの故障、信号劣化、あるいはクロスモーダルの不整合の下で信頼性を保たなければならない。 本研究では,単一アーキテクチャ内での自己教師付き異常検出と誤り訂正を統一する,フォールトトレラントなマルチモーダル表現学習のための数学的基盤となるフレームワークを提案する。 摂動伝播の理論解析に基づいて、ニューラル作用素が局所的な断層を増幅または減衰するかどうかを決定するリプシッツおよびヤコビアンに基づく基準を導出する。 この理論で導かれた2段階の自己教師型トレーニングスキームを提案する: クリーンなデータにマルチモーダル畳み込みオートエンコーダを事前学習して、潜在空間における局所的な異常信号を保存する。 さらに,検出・修正モジュール間の感度を制御するための原理的メカニズムとして,層特異的リプシッツ変調と勾配クリッピングを導入する。 マルチモーダル・フォールト・データセットの実験結果から,センサ破損時の異常検出精度と再構成の両面において,提案手法が改良されることが示唆された。 全体として、このフレームワークは解析的堅牢性保証と実用的なフォールトトレラントなマルチモーダル学習のギャップを埋める。

関連論文リスト

• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Generative Modeling and Decision Fusion for Unknown Event Detection and Classification Using Synchrophasor Data [9.871276314615447]
  本稿では, 生成モデル, スライドウインドウ時間処理, 決定融合を統合し, 堅牢なイベント検出と分類を実現する新しいフレームワークを提案する。 実験結果は、最先端の精度、機械学習、ディープラーニング、エンベロープベースのベースラインを上回ることを示す。
  論文  参考訳（メタデータ） (2025-09-26T18:04:03Z)
• Learning a Factorized Orthogonal Latent Space using Encoder-only Architecture for Fault Detection; An Alarm management perspective [0.2455468619225742]
  本稿では,プロセス変数の誤同定および決定論的成分を効果的に分離する,エンコーダに基づく残差設計を提案する。 提案モデルは2つの異なるエンコーダを用いて、潜在空間を2つの空間に分解する。 提案モデルでは、ほぼゼロの誤報と誤検出を達成しつつ予測品質を著しく向上させる。
  論文  参考訳（メタデータ） (2024-08-24T09:00:45Z)
• 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)
• Neuro-symbolic model for cantilever beams damage detection [0.0]
  本稿では,新しい認知アーキテクチャに基づくカンチレバービームの損傷検出のためのニューロシンボリックモデルを提案する。 ハイブリッド識別モデルはLogic Convolutional Neural Regressorという名称で導入されている。
  論文  参考訳（メタデータ） (2023-05-04T13:12:39Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
  本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。 我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。 画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
  論文  参考訳（メタデータ） (2021-11-17T13:30:31Z)

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。