論文の概要: Multi-Modal Anomaly Detection: A Survey

• arxiv url: http://arxiv.org/abs/2608.24937v1
• Date: Mon, 24 Aug 2026 01:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.264906
• Title: Multi-Modal Anomaly Detection: A Survey
• Title（参考訳）: マルチモード異常検出:サーベイ
• Authors: Xudong Mou, Zexin Wu, Chuan Luo, Shiru Chen, Xudong Liu, Chunming Hu, Renyu Yang,
• Abstract要約: MMAD(Multi-Modal Anomaly Detection)は異種データからの異常事象を検出する。 MMADは、産業検査やサイバーセキュリティといった安全および信頼性に重要なアプリケーションでますます利用されている。 問題を形式化し、その中核となる課題の根底にある5つの本質的な特徴を特定し、先行研究を2つの相補的なパラダイムにまとめる。
• 参考スコア（独自算出の注目度）: 21.953084534543237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Modal Anomaly Detection (MMAD) detects rare abnormal events from heterogeneous data sources and is increasingly used in safety- and reliability-critical applications such as industrial inspection and cybersecurity. Yet the literature is fragmented across domains and modality combinations, and existing surveys usually group methods by architecture rather than by how abnormality is defined and separated in multi-modal settings. We survey MMAD from an assumption-driven perspective. We formalize the problem, identify five intrinsic characteristics underlying its core challenges, and organize prior work into two complementary paradigms. The first, normality-assumption methods, models regularity via representation learning, cross-modal alignment, and knowledge enhancement. The second, anomaly-assumption methods, sharpens decision boundaries through coarse-grained, structural, and semantic anomaly injection. We also investigate how foundation models are reshaping MMAD through scalable pretraining, flexible cross-modal transfer, and emerging reasoning capabilities. Finally, we compile representative benchmarks and evaluation protocols across domains and highlight open problems and future directions for robust, adaptive, and interpretable MMAD systems.
• Abstract（参考訳）: MMAD(Multi-Modal Anomaly Detection)は異種データソースから稀な異常事象を検出し、産業検査やサイバーセキュリティなどの安全および信頼性に重要なアプリケーションでますます利用されている。 しかし、文献はドメインとモダリティの組み合わせで断片化されており、既存の調査は通常、異常が定義され、マルチモーダルな設定で分離されるかではなく、アーキテクチャによってグループ化される。 仮説駆動の観点からMMADを調査した。 問題を形式化し、その根底にある5つの本質的な特徴を特定し、先行作業を2つの相補的なパラダイムに整理する。 最初の正規性推定法は、表現学習、クロスモーダルアライメント、知識強化による正則性をモデル化する。 第2の異常推定法は、粗い粒度、構造、意味的な異常注入によって決定境界を鋭くする。 また、スケーラブルな事前学習、フレキシブルなクロスモーダル転送、新たな推論機能を通じて、基礎モデルがどのようにMMADを再構築しているかについても検討する。 最後に、各領域にまたがる代表ベンチマークと評価プロトコルをコンパイルし、堅牢で適応的で解釈可能なMMADシステムのためのオープンな問題と今後の方向性を明らかにする。

関連論文リスト

• DAIF: A Data-Driven Intermediate Fusion Framework for Multimodal Supervised Learning via Approximate Message Passing [11.222071637855079]
  DAIFはデータから融合構造を直接学習するデータ適応型中間核融合フレームワークである。 我々はベイズ的マルチモーダル因子モデルの下で動作し、潜在因子の先行が相互モーダル依存を決定する。 提案手法は,モーダル依存性の推定値に基づいてモダリティをクラスタリングし,事前のクラスタワイズ実験ベイズ推定を行う。
  論文  参考訳（メタデータ） (2026-08-03T18:10:58Z)
• XMatchAD: A Cross-Modal Matching Perspective on Reconstruction-based Anomaly Detection [30.401044523780723]
  XMatchADは、疑似クロスモーダルマッチングの観点からタスクを再解釈する新しいUADフレームワークである。 提案手法は,マルチクラスの異常検出と局所化において,優れた性能,最先端の手法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2026-07-26T13:47:10Z)
• Text-Guided Multimodal Unified Industrial Anomaly Detection [71.95719669933312]
  そこで本研究では,テキストセマンティクスによって導かれる多モーダル産業異常検出フレームワークを提案する。 フレームワークは、Geometry-Aware Cross-Modal MapperとObject-Conditioned Textual Feature Adaptorの2つのコアモジュールで構成されている。 本手法は,教師なし環境下での分類とローカライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-24T13:21:22Z)
• Beyond Surface Artifacts: Capturing Shared Latent Forgery Knowledge Across Modalities [52.189426539304065]
  本稿では,従来の「機能融合」から「モダリティ一般化」に再定義するパラダイムシフトを提案する。 モーダリティ固有のスタイルを明示的に分離することにより,MAFは必須かつ非モーダルな潜在フォージェリー知識を正確に抽出する。
  論文  参考訳（メタデータ） (2026-04-09T03:35:21Z)
• Multi-modal cross-domain mixed fusion model with dual disentanglement for fault diagnosis under unseen working conditions [7.135832969368086]
  本稿では,マルチモーダルクロスドメイン混合核融合モデルを提案する。 一定時間および時間変化のある作業条件下での誘導運動障害診断実験を行った。
  論文  参考訳（メタデータ） (2025-12-31T07:10:32Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• A Survey on Diffusion Models for Anomaly Detection [41.22298168457618]
  拡散モデル(DM)は、生成AIモデルの強力なクラスとして登場した。 DMADは、ますます複雑で高次元のデータにおける偏差を特定するための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-20T12:06:54Z)

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。