論文の概要: Training-Free Human-in-the-Loop Anomaly Detection via Memory Bank Correction

• arxiv url: http://arxiv.org/abs/2608.17775v1
• Date: Tue, 18 Aug 2026 13:39:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.352876
• Title: Training-Free Human-in-the-Loop Anomaly Detection via Memory Bank Correction
• Title（参考訳）: メモリバンク補正による無トレーニング人体異常検出
• Abstract要約: 異常検知器は、トレーニングデータが不足している場所を正確にデプロイするのが最も難しい。 本稿では、ドメインエキスパートが直接メモリバンクの編集によってPatchCore検出器を補正する、トレーニングフリーのヒューマン・イン・ザ・ループ・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.28675177318965045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detectors are hardest to deploy exactly where training data is scarcest: a newly commissioned production line has a handful of verified "golden" samples and no machine-learning engineer on the factory floor. We present a training-free human-in-the-loop framework in which a domain expert corrects a PatchCore detector by direct memory bank editing: no retraining, no gradients, no original training data. A false-positive correction inserts the reviewed image's normal patches through a self-calibrating novelty gate admitting only those beyond the median pool-normal nearest-neighbour distance. From a bank built on only ten golden samples, operator corrections close a median 66% of the gap to an uncorrected fully trained bank (mean 80%, raised by three categories that overshoot parity), significantly improving 12 of 15 MVTec AD categories and harming none: ten samples plus corrections outperform hundreds of samples without them. On already-trained banks the headroom is smaller and concentrated where the bank undersamples normal appearance (gated: toothbrush +0.10, metal nut +0.09, zipper +0.05, screw +0.05), and no category except grid is significantly harmed. Evaluation uses a held-out protocol (20 splits per category, Holm-corrected Wilcoxon), because corrected images entering the bank inflate naive evaluation toward AUROC 1.0 by memorisation. Passive and active querying are statistically indistinguishable; a matched-label-budget control attributes gains to deployment-time label production at 43% of exhaustive-review cost; a defect-memory extension fails decisively. Feedback is simulated from ground truth; live expert trials, where mislabelling is costliest on small banks, remain future work.
• Abstract（参考訳）: 新たに発注された生産ラインには、いくつかの確認済みの"金"サンプルがあり、工場のフロアには機械学習エンジニアがいない。 我々は、ドメインの専門家が直接メモリバンクの編集によってPatchCore検出器を補正する、トレーニングなしのHuman-in-the-loopフレームワークを提案する。 偽陽性補正は、レビューされた画像の正常なパッチを自己校正するノベルティゲートを通して挿入し、中央プールの通常の近傍距離を超えるもののみを許可する。 10個の黄金のサンプルで作られた銀行から、オペレーターの修正は、未修正の完全な訓練された銀行(平均80%、パリティをオーバーシュートする3つのカテゴリで上昇)とのギャップの中央値66%を閉じ、MVTec ADカテゴリーの15の12を著しく改善し、何の害も与えない。 既に訓練された銀行では、ヘッドルームは小さく集中しており、銀行が通常の外観(歯ブラシ+0.10、金属ナット+0.09、ジッパー+0.05、スクリュー+0.05)をアンサンプしている。 評価にはホールム補正ウィルコクソン (Holm-corrected Wilcoxon) と呼ばれるホールアウトプロトコルが使用されている。 パッシブおよびアクティブなクエリは統計的に区別がつかない; 一致したラベル-予算制御属性は、総レビューコストの43%でデプロイメントタイムラベル生産に結びつく; 欠陥メモリ拡張は決定的に失敗する。 フィードバックは根底からシミュレートされ、小さな銀行では間違いを犯しがちなライブ専門家のトライアルは今後も継続される。

関連論文リスト

• Hard Cases, Bad Labels: Testing Error Exposure and Error Location in Uncertainty Sampling Under Bounded Label Noise [0.0]
  アクティブラーニングは、情報的な例を選択することでラベリングコストを削減することができるが、最も不確実な例は、ラベルを正しく付けるのが最も難しい場合でもある。 本研究は, ラベルが劣化しやすいため, 不確実性サンプリングが失敗するか否かを検証した。
  論文  参考訳（メタデータ） (2026-08-05T03:01:19Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• Calibrated e-CUSUM Decoding for Quantized Reasoning Models: Why Token Log-Probability Is the Wrong Observable for Decoding Monitors [0.6999740786886536]
  低ビット量子化により、小さな推論モデルは安価に展開できるが、思考の連鎖を分解することができる。 中心となるトークンのlog-probabilityは$log p(w_t)+H_t$が間違ったオブザーバブルであることを示します。 本稿では,トークンの不確実性と明示的な繰り返しを混在させるデジェネレーションを意識したアラームスコアを組み合わせた,トレーニング不要な復号制御手法を提案する。
  論文  参考訳（メタデータ） (2026-07-13T09:34:36Z)
• Selection Without Signal, Recovery Through Expression: A Measurement Study of Post-Hoc Falsification Operators for Frozen Small Code Models [0.0]
  小型のコードモデルは、しばしばプラルーシブル・ブライト・プログラムを出力する。 意味論的ポストホック演算子が役立つかどうかを測定する。 ここで唯一の精度向上である式層リカバリ(M1)は、標準抽出器が破棄した正しいプログラムを復元する。
  論文  参考訳（メタデータ） (2026-06-15T17:36:23Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  しばしば感情的な抑圧と突然のアウトバーストによって引き起こされる道路の怒りは、衝突や攻撃的な行動を引き起こすことによって道路の安全を著しく脅かす。 音声感情認識技術は、ネガティブな感情を早期に識別し、タイムリーな警告を発することにより、このリスクを軽減することができる。 本稿では,予測精度を統計的に厳格に保証するリスク制御予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• Technical report on label-informed logit redistribution for better domain generalization in low-shot classification with foundation models [3.938980910007962]
  信頼度校正は、基礎モデルに基づく現実世界の意思決定システムにおいて、新たな課題である。 本研究では,微調整の際,不正分類を罰する損失目標に組み込んだペナルティを提案する。 CMP(textitconfidence misalignment penalty)と呼ぶ。
  論文  参考訳（メタデータ） (2025-01-29T11:54:37Z)
• Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
  業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。 学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。 利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
  論文  参考訳（メタデータ） (2023-12-25T21:25:55Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Confidence-aware Training of Smoothed Classifiers for Certified Robustness [75.95332266383417]
  我々は「ガウス雑音下での精度」を、入力に対する対角的ロバスト性の容易に計算可能なプロキシとして利用する。 実験の結果, 提案手法は, 最先端の訓練手法による信頼性向上を継続的に示すことがわかった。
  論文  参考訳（メタデータ） (2022-12-18T03:57:12Z)

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。