論文の概要: Parameter Efficient Multi-Class Intelligent Scheduling for Multimodal Online Distributed Industrial Anomaly Detection

• arxiv url: http://arxiv.org/abs/2605.23984v1
• Date: Fri, 15 May 2026 08:25:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:43.000818
• Title: Parameter Efficient Multi-Class Intelligent Scheduling for Multimodal Online Distributed Industrial Anomaly Detection
• Title（参考訳）: マルチモーダルオンライン産業異常検出のためのパラメータ効率の良いマルチクラスインテリジェントスケジューリング
• Authors: Heqiang Wang, Weihong Yang, Zheyuan Yang, Jia Zhou, Xiaoxiong Zhong, Fangming Liu, Weizhe Zhang,
• Abstract要約: 我々はMODIAD(Multimodal Online Distributed Industrial Anomaly Detection)と呼ばれる新しいフレームワークを提案する。 まず、MODIADのための包括的なワークフローを提示し、次に、クラス間のモデル更新を調整するために、MIS(Multi-class Intelligent Scheduling)問題を定式化する。 本稿では,学習時の計算・通信効率を向上させるために,資源効率の高いクラスワイズ低ランク適応(REC-LoRA)戦略を提案する。
• 参考スコア（独自算出の注目度）: 25.37957659351802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial anomaly detection has attracted significant attention as a fundamental challenge in industrial systems. The rapid advancement of heterogeneous industrial sensors has driven industrial anomaly detection from unimodal to multimodal paradigms. However, existing methods are primarily designed for centralized and offline settings, overlooking the distributed and continuously generated data characteristic of real-world industrial environments. With the advancement of edge intelligence, modern edge devices are increasingly capable of not only data acquisition but also distributed model training, enabling collaborative intelligence across the system. Industrial anomaly detection represents a critical application in this context. Motivated by these challenges, we propose a novel framework termed Multimodal Online Distributed Industrial Anomaly Detection (MODIAD). We first present a comprehensive workflow for MODIAD and then formulate a Multi-class Intelligent Scheduling (MIS) problem to coordinate cross class model updates by balancing data sufficiency and class update frequency. To efficiently solve this problem, we design a Sequential Marginal Gain Greedy (SMG) algorithm that enables effective multi-class training under resource constraints. Furthermore, to improve the computational and communication efficiency during training, we propose an Resource Efficient Class-Wise Low Rank Adaptation (REC-LoRA) strategy, which significantly reduces system overhead while preserving detection performance. Extensive experiments on two representative multimodal industrial anomaly detection datasets, MVTec 3D-AD and Eyecandies demonstrate that the proposed approach achieves superior performance and efficiency under the MODIAD scenario.
• Abstract（参考訳）: 産業システムにおける根本的な課題として,産業異常検出が注目されている。 不均質な産業用センサの急速な進歩は、産業の異常検出を不定形から多モードのパラダイムへと駆り立てている。 しかし、既存の手法は、主に集中的およびオフラインな設定のために設計されており、実際の産業環境に特徴的な分散および連続的に生成されたデータを見渡せる。 エッジインテリジェンスの発展により、現代のエッジデバイスはデータ取得だけでなく、分散モデルトレーニングも可能になり、システム全体で協調的なインテリジェンスを可能にしている。 産業異常検出は、この文脈における重要な応用である。 これらの課題に乗じて,MODIAD(Multimodal Online Distributed Industrial Anomaly Detection)と呼ばれる新しいフレームワークを提案する。 まず、MODIADのための包括的なワークフローを提示し、次に、データ充足率とクラス更新頻度のバランスをとることで、クラス間モデルの更新を調整するために、MIS(Multi-class Intelligent Scheduling)問題を定式化する。 この問題を効果的に解決するために,資源制約下での効果的なマルチクラストレーニングを実現するシークエンシャル・マージナル・ゲイングリーディ(SMG)アルゴリズムを設計する。 さらに,学習時の計算・通信効率を向上させるために,検知性能を保ちながらシステムオーバーヘッドを大幅に低減する資源効率の高いクラスワイズ低ランク適応(REC-LoRA)戦略を提案する。 MVTec 3D-ADとEyecandiesの2つの代表的産業異常検出データセットに対する大規模な実験により、提案手法がMODIADシナリオにおいて優れた性能と効率を達成することを示した。

関連論文リスト

• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• EIAD: Explainable Industrial Anomaly Detection Via Multi-Modal Large Language Models [23.898938659720503]
  工業異常検出(IAD)は製造中の製品品質を確保するために重要である。 本稿では,コア特徴抽出からダイアログ機能を分離する専用マルチモーダル欠陥ローカライゼーションモジュールを提案する。 私たちはまた、Defect Detection Question Answering (DDQA) という、最初のマルチモーダル産業異常検出トレーニングデータセットにも貢献する。
  論文  参考訳（メタデータ） (2025-03-18T11:33:29Z)
• AAD-LLM: Adaptive Anomaly Detection Using Large Language Models [35.286105732902065]
  本研究は,Large Language Models (LLMs) を利用した異常検出モデルの伝達性の向上を目的とする。 この研究はまた、モデルとプラントオペレーターの間でより協調的な意思決定を可能にすることを目指している。
  論文  参考訳（メタデータ） (2024-11-01T13:43:28Z)
• Robust Modality-incomplete Anomaly Detection: A Modality-instructive Framework with Benchmark [69.02666229531322]
  モダリティ不完全産業異常検出(MIIAD)の先駆的研究を紹介する。 その結果,既存のMIAD手法はMIIADベンチでは性能が悪く,性能が著しく低下していることが判明した。 本稿では,新しい2段階のロバストモードアリティファジングと検出フレームwoRk(RADAR)を提案する。
  論文  参考訳（メタデータ） (2024-10-02T16:47:55Z)
• MMRNet: Improving Reliability for Multimodal Object Detection and Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
  マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。 これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。 システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
  論文  参考訳（メタデータ） (2022-10-19T19:15:07Z)

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。