論文の概要: FedVAR: Prototype-Aligned Federated Framework for Video Anomaly Recognition

• arxiv url: http://arxiv.org/abs/2608.06876v1
• Date: Fri, 07 Aug 2026 07:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.382981
• Title: FedVAR: Prototype-Aligned Federated Framework for Video Anomaly Recognition
• Title（参考訳）: FedVAR:ビデオ異常認識のためのプロトタイプ対応フェデレーションフレームワーク
• Abstract要約: Federated Learningは、ビデオ異常認識のための有望な分散インテリジェンスパラダイムを提供する。 本稿では,ビデオ異常認識のための弱教師付きFLフレームワークであるFedvarを紹介する。 我々は、様々な非IIDデータ分割方式、見えない領域、新しい異常クラスの下で、挑戦的なベンチマークに関する広範な実験を行う。 その結果、Fedvarは最先端のフェデレーションベースラインを一貫して上回り、ビデオベースのCPSにおける分散インテリジェンスのための堅牢なフレームワークを確立した。
• 参考スコア（独自算出の注目度）: 3.940235853574397
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the era of Industrial Internet of Things (IIoT) and Cyber-Physical Systems (CPS), Federated Learning (FL) offers a promising decentralized intelligence paradigm for Video Anomaly Recognition (VAR). This task is vital for maintaining high-fidelity Digital Twins and ensuring safety in mission-critical environments. However, the inherent data heterogeneity across distributed edge clients leads to a fundamental challenge known as semantic misalignment, where clients learn divergent feature representations of "normal" and "abnormal" events. The problem becomes particularly pronounced in VAR, where the presence of diverse and fine-grained anomaly categories leads each client to develop distinct semantic interpretations of abnormality. Existing federated methods primarily focus on binary anomaly detection and fail to address this misalignment, preventing effective fine-grained recognition. In this paper, we introduce FedVAR, a weakly-supervised FL framework explicitly designed for VAR. Leveraging the rich representations of Vision-Language Models (VLMs), FedVAR employs a prototype-based alignment mechanism that creates a shared semantic anchor for all clients to re-center and align their visual and textual feature spaces. This process enforces a consistent representation of "normality" across the decentralized network, directly mitigating semantic misalignment and enabling robust prompt-learning of anomaly direction vectors with minimal communication overhead. We conduct extensive experiments on challenging benchmarks under various non-IID data partitioning schemes, unseen domains, and novel anomaly classes. The results demonstrate that FedVAR consistently outperforms state-of-the-art federated baselines, establishing a robust framework for distributed intelligence in video-based CPS.
• Abstract（参考訳）: IIoT(Industrial Internet of Things)とCPS(Cyber-Physical Systems)の時代、Federated Learning(FL)はビデオ異常認識(VAR)のための有望な分散インテリジェンスパラダイムを提供する。 この任務は、高忠実なデジタルツインの維持とミッションクリティカルな環境での安全確保に不可欠である。 しかし、分散エッジクライアント間の固有のデータ不均一性は、セマンティックなミスアライメント(semantic misalignment)として知られる基本的な課題をもたらし、クライアントは"通常の"イベントと"異常"イベントの異なる特徴表現を学習する。 この問題はVARにおいて特に顕著となり、多種多様できめ細かな異常カテゴリーの存在は、各クライアントに異常の異なる意味論的解釈を発達させる。 既存のフェデレートされた手法は、主にバイナリ異常の検出に焦点を合わせ、このミスアライメントに対処できず、効果的なきめ細かい認識を妨げている。 本稿では、VAR用に明示的に設計された弱教師付きFLフレームワークであるFedVARを紹介する。 VLM(Vision-Language Models)のリッチな表現を活用して、FedVARはプロトタイプベースのアライメントメカニズムを使用して、すべてのクライアントが再集中し、視覚的およびテキスト的特徴空間を調整するための共有セマンティックアンカーを生成する。 このプロセスは、分散化されたネットワーク全体にわたる「正規性」の一貫性のある表現を強制し、意味的ミスアライメントを直接緩和し、通信オーバーヘッドが最小限である異常方向ベクトルの堅牢なプロンプト学習を可能にする。 我々は、様々な非IIDデータ分割方式、見えない領域、新しい異常クラスの下で、挑戦的なベンチマークに関する広範な実験を行う。 その結果、FedVARは最先端のフェデレーションベースラインを一貫して上回り、ビデオベースのCPSにおける分散インテリジェンスのための堅牢なフレームワークを確立した。

関連論文リスト

• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• CLAD: A Clustered Label-Agnostic Federated Learning Framework for Joint Anomaly Detection and Attack Classification [7.2780885662220065]
  Internet of Things(IoT)とIndustrial IoT(IIoT)は、巨大で異質なアタックサーフェスを作成しました。 本稿では,Clustered Federated Learning(CFL)を新しいDual-Mode Micro-Architectureにシームレスに組み込む,包括的なフレームワークであるCLADを提案する。
  論文  参考訳（メタデータ） (2026-05-07T17:01:19Z)
• Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
  VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。 既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。 そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T02:15:59Z)
• Diffusion-Guided Semantic Consistency for Multimodal Heterogeneity [44.06048719126853]
  フェデレートラーニングは、非独立かつ同一に分散された(非IID)クライアントデータによって深刻な課題を抱える。 本稿では,事前学習した拡散モデルのリッチな意味表現を活用する新しいフレームワークSemanticFLを紹介する。 以上の結果から,SemanticFLは既存のフェデレート学習手法を超越し,FedAvgの5.49%の精度向上を実現した。
  論文  参考訳（メタデータ） (2026-03-19T04:44:37Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• Rethinking Federated Graph Foundation Models: A Graph-Language Alignment-based Approach [8.517604507672262]
  フェデレーショングラフ基礎モデル(FedGFMs)の最近の研究は、グラフ基礎モデルを訓練するために集中的なデータストレージを持つという理想的かつ持続不可能な仮定を破っている。 ベクトル量子化されたバックボーンを経由した離散トークン空間上の一般化可能な知識が、量子化過程中に不可逆的な知識損失に悩まされるという研究は、現存する。
  論文  参考訳（メタデータ） (2026-01-29T07:50:00Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning [5.7494612007431805]
  データプライバシを維持しつつ、間接的なクライアント間表現共有をサポートする新しいFLフレームワークであるFedP3Eを提案する。 我々は,N-BaIoTデータセット上のFedP3Eを,データ不均衡の程度が異なる現実的なクロスサイロシナリオ下で評価した。
  論文  参考訳（メタデータ） (2025-07-09T20:07:35Z)
• Defending the Edge: Representative-Attention for Mitigating Backdoor Attacks in Federated Learning [7.808916974942399]
  不均一エッジデバイスは、多種多様で非独立で、同一に分散された(非IID)データを生成する。 本稿では, 悪意のあるクライアントと良識を区別するための, FeRA という, 表現力に基づく防衛機構を提案する。 本評価では,エッジデバイスに典型的な非IIDデータ分散に挑戦するなど,さまざまなFLシナリオにおけるFeRAの堅牢性を示す。
  論文  参考訳（メタデータ） (2025-05-15T13:44:32Z)
• Federated Contrastive Learning for Personalized Semantic Communication [55.46383524190467]
  我々は,パーソナライズされたセマンティックコミュニケーションを支援することを目的とした,協調型コントラスト学習フレームワークを設計する。 FedCLは、複数のクライアントにわたるローカルセマンティックエンコーダと、基地局が所有するグローバルセマンティックデコーダの協調トレーニングを可能にする。 分散クライアント間の異種データセットから生じるセマンティック不均衡問題に対処するために,コントラスト学習を用いてセマンティックセントロイドジェネレータを訓練する。
  論文  参考訳（メタデータ） (2024-06-13T14:45:35Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• FjORD: Fair and Accurate Federated Learning under heterogeneous targets with Ordered Dropout [16.250862114257277]
  ニューラルネットワークにおける知識の順序付きネスト表現を実現するメカニズムであるOrdered Dropoutを紹介します。 我々は,この手法と自己蒸留手法を,FjORDと呼ばれるフレームワークでフェデレートラーニングの領域に導入する。 FjORDは、ネストされた構造を維持しながら、最先端のベースラインよりもパフォーマンスが大幅に向上する。
  論文  参考訳（メタデータ） (2021-02-26T13:07:43Z)

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。