論文の概要: ArcAD: Anomaly-Rectified Calibration for Cold-Start Supervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2607.02252v1
• Date: Thu, 02 Jul 2026 14:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.874451
• Title: ArcAD: Anomaly-Rectified Calibration for Cold-Start Supervised Anomaly Detection
• Title（参考訳）: ArcAD:Cold-Start Supervised Anomaly Detectionのための異常修正校正
• Abstract要約: Anomaly-Rectified Cold-start AD (ArcAD)は、再構成ベースのIADベースラインのためのプラグアンドプレイキャリブレーションフレームワークである。 コールドスタート条件下では,ArcADは単一クラスおよび複数クラスの設定において,最先端の教師付きおよび教師なしの手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 23.87414535139114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deployment of Industrial Anomaly Detection (IAD) in real-world manufacturing frequently encounters a challenging cold-start bottleneck, in which limited normal samples fail to represent the full normal distribution and only a few anomalies are available. Under such a regime, existing methods struggle to form compact normal boundaries and fail to effectively exploit supervised signals from rare defects. To address this challenge, we propose Anomaly-Rectified Cold-start AD (ArcAD), a plug-and-play calibration framework for reconstruction-based IAD baselines. ArcAD follows a push-pull learning paradigm to construct a compact and discriminative normal boundary under data scarcity. On the one hand, ArcAD projects limited normal samples onto a hypersphere and pulls them into multiple compact clusters to maximize coverage of the normal manifold. On the other hand, it synthesizes pseudo-anomalies on the hypersphere and leverages real anomalies to push the boundary inward and sharpen anomaly discrimination. Extensive experiments on MVTec-AD, VisA, Real-IAD, and MANTA demonstrate that ArcAD significantly outperforms state-of-the-art supervised and unsupervised methods in both single-class and multi-class settings under cold-start conditions. Code is available at: https://github.com/LGC-AD/ArcAD.
• Abstract（参考訳）: 実世界の製造業における産業異常検出(IAD)の展開は、限られたサンプルが完全な正規分布を表現できず、少数の異常しか利用できないという、困難なコールドスタートのボトルネックにしばしば遭遇する。 このような体制下では、既存の手法はコンパクトな正規境界を形成するのに苦労し、希少な欠陥からの教師付き信号を有効に活用することができない。 この課題に対処するため,再建型IADベースラインのプラグアンドプレイキャリブレーションフレームワークであるAnomaly-Rectified Cold-start AD (ArcAD)を提案する。 ArcADは、データ不足下でコンパクトで差別的な正規境界を構築するためのプッシュプル学習パラダイムに従っている。 一方、ArcAD は正規標本を超球面に限定し、それを複数のコンパクトクラスタに引き込み、正規多様体のカバレッジを最大化する。 一方、超球面上の擬似異常を合成し、実際の異常を利用して境界線を内側に押し込み、異常識別を鋭くする。 MVTec-AD, VisA, Real-IAD, MANTAの広範囲にわたる実験により、ArcADは冷間開始条件下での単一クラスおよび複数クラスの設定において、最先端の教師付きおよび教師なしの手法を著しく上回っていることが示された。 コードは、https://github.com/LGC-AD/ArcAD.comで入手できる。

関連論文リスト

• TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection [15.271061413934332]
  2段階の擬似異常誘導型異常検出法を提案する。 通常の境界付近で擬似非正則ウィンドウを生成する。 ノーマルウィンドウと擬似アノマラスウィンドウの対比学習を通じて、異常に敏感な表現を学習する。
  論文  参考訳（メタデータ） (2026-06-02T15:39:10Z)
• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• 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)
• From Few-Shot to Zero-Shot: Towards Generalist Graph Anomaly Detection [89.52759572485276]
  ARCは、文脈内学習を利用した数発のGAD法であり、推論時にわずかにラベル付き正規サンプルを必要とする。 ARCとARC_zeroは、異常を効果的に検出し、強力な一般化能力を示し、少数ショットおよびゼロショット設定下で効率的に実行する。
  論文  参考訳（メタデータ） (2026-02-21T10:59:00Z)
• Unified Unsupervised Anomaly Detection via Matching Cost Filtering [113.43366521994396]
  教師なし異常検出(UAD)は、通常のトレーニングデータのみを用いて画像レベルの異常と画素レベルの異常を識別することを目的としている。 UADモデルの異常コスト量を補正するための汎用的なポストホック精錬フレームワークであるUnified Cost Filtering (UCF) を提案する。
  論文  参考訳（メタデータ） (2025-10-03T03:28:18Z)
• 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)
• KKA: Improving Vision Anomaly Detection through Anomaly-related Knowledge from Large Language Models [54.63075553088399]
  Key Knowledge Augmentation (KKA)は,大規模言語モデル(LLM)から異常関連知識を抽出する手法である。 KKAは、生成した異常を、通常のサンプルと類似性に応じて、容易な異常と硬い異常と分類する。 実験の結果,提案手法は様々な視覚異常検出器の性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T07:46:49Z)
• Open-Set Multivariate Time-Series Anomaly Detection [7.127829790714167]
  時系列異常検出法は、トレーニング期間中に通常のサンプルのみが利用可能であると仮定する。 監視された手法は、通常の異常や観察された異常を分類するために利用することができるが、訓練中に見られる異常に過度に適応する傾向がある。 MOSAD(Multivarate Open-Set Time-Series Anomaly Detector)と呼ばれるオープンセットTSAD問題に対処するアルゴリズムを提案する。 MOSADは、共有表現空間と、生成ヘッド、識別ヘッド、異常認識コントラストヘッドを含む特殊ヘッドを備えた、新しいマルチヘッドTSADフレームワークである。
  論文  参考訳（メタデータ） (2023-10-18T19:55:11Z)
• Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection [14.27685411466415]
  ほとんどの異常検出(AD)モデルは、教師なしの方法で通常のサンプルのみを使用して学習される。 そこで本研究では,新しい境界案内型半プッシュプルコントラスト学習機構を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:50:23Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。