論文の概要: Value-order Decomposition for Generalist Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.14475v1
• Date: Fri, 12 Jun 2026 14:13:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.925543
• Title: Value-order Decomposition for Generalist Anomaly Detection
• Title（参考訳）: 一般異常検出のための値順分解法
• Authors: Miaoyun Zhao, Jing Chen, Miaoni Zhao, Qiang Zhang,
• Abstract要約: Generalist Anomaly Detection (GAD) は、未確認のターゲットドメインの異常を効果的に検出できるソースドメイン上で統一モデルをトレーニングすることを目的としている。 本稿では、オブジェクトカテゴリ、欠陥タイプ、データドメインにまたがる3種類の一般化ギャップを橋渡しする手法として、値順序分解(VOD)を提案する。
• 参考スコア（独自算出の注目度）: 10.93117733030134
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Industrial anomaly detection suffers from limited data, making cross-domain generalization particularly challenging. Generalist Anomaly Detection (GAD) aims to train a unified model on a source domain that can effectively detect anomalies in unseen target domains. In the initial semantic feature space, strong entanglement between anomalies and object categories or defect types hinders effective generalization across domains. Recent works address this issue by projecting features into a residual space; however, such methods primarily increase cross-domain overlap for normal features, while anomalous features remain specific to object categories, defect types and data domains, leading to poor alignment and generalization. To address this limitation, we propose Value-order Decomposition (VOD), a simple yet effective technique that bridges \textbf{three types of generalization gaps} across object categories, defect types (including real and synthetic defects), and data domains. VOD disentangles and suppresses object-category-, defect-type-, and domain-specific information, promoting alignment within normal and abnormal samples while preserving their separability, thereby enabling robust generalization across the three gaps. Leveraging the strong alignment between real and synthetic defects within the same object, we perform anomaly detection using only normal and synthetic-abnormal reference, and effectively generalize to unseen real defect types. Experiments on diverse industrial and medical benchmarks demonstrate that our method, using a simple cut-and-paste anomaly simulation strategy, achieves strong generalization across the three gaps.
• Abstract（参考訳）: 産業異常検出は限られたデータに悩まされており、クロスドメインの一般化は特に困難である。 Generalist Anomaly Detection (GAD) は、未確認のターゲットドメインの異常を効果的に検出できるソースドメイン上で統一モデルをトレーニングすることを目的としている。 初期の意味的特徴空間では、異常とオブジェクトカテゴリや欠陥タイプの間の強い絡み合いは、ドメイン間の効果的な一般化を妨げる。 最近の研究は、特徴を残余空間に投影することでこの問題に対処しているが、そのような手法は主に通常の特徴のドメイン間オーバーラップを増加させる一方、異常な特徴はオブジェクトカテゴリ、欠陥タイプ、データドメインに固有のものであり、アライメントや一般化が不十分である。 この制限に対処するために、オブジェクトカテゴリ、欠陥タイプ(実および合成欠陥を含む)、データドメインに \textbf{ three type of generalization gap} をブリッジする、単純かつ効果的な方法であるValue-order Decomposition (VOD)を提案する。 VODは、オブジェクトカテゴリ、欠陥タイプ、ドメイン固有の情報を分離し、分離性を維持しながら正常および異常サンプル内のアライメントを促進することにより、3つのギャップをまたいだ堅牢な一般化を可能にする。 同じ物体内の実欠陥と合成欠陥の強いアライメントを利用して、正規参照と合成異常参照のみを用いて異常検出を行い、効果的に実際の欠陥タイプに一般化する。 種々の産業・医療ベンチマーク実験により, 簡易なカット・アンド・ペースト・アノマリー・シミュレーション戦略を用いて, 3つのギャップにまたがる強力な一般化が得られた。

関連論文リスト

• Towards One-for-All Anomaly Detection for Tabular Data [87.63505963517512]
  タブラル異常検出(TAD)は多くの実世界の応用において重要である。 複数のソースデータセットに対して1回のトレーニングのみを必要とするフレームワークであるOFA-TADを提案する。 14ドメインの34のデータセットに対する実験により、OFA-TADはより優れた異常検出性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-15T14:42:05Z)
• Learning Discriminative and Generalizable Anomaly Detector for Dynamic Graph with Limited Supervision [31.57563937222115]
  動的グラフ異常検出(DGAD)は、多くの実世界のアプリケーションにとって重要であるが、ラベル付き異常が不足しているため、依然として困難である。 本稿では,3つの主要コンポーネントを持つ有効で一般化可能な,モデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:25:35Z)
• Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
  本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。 本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
  論文  参考訳（メタデータ） (2026-01-30T12:34:13Z)
• Normal-Abnormal Guided Generalist Anomaly Detection [24.763955488489852]
  Generalist Anomaly Detection (GAD)は、新しいターゲットドメインの異常を検出するために、元のドメイン上で統一モデルをトレーニングすることを目的としている。 従来のGAD法は主に通常のサンプルのみを参照として使用しており、現実のシナリオでしばしば利用できる異常なサンプルに含まれる貴重な情報を見下ろしている。 本報告では, 正常および異常サンプルを基準として, 種々の領域にわたる異常検出を誘導する正規誘導型一般異常検出法を提案する。
  論文  参考訳（メタデータ） (2025-10-01T04:27:10Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)

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。