論文の概要: Confidence-Guided Cross-Modal Knowledge Transfer for Multimodal Anomaly Detection in Microservice Systems

• arxiv url: http://arxiv.org/abs/2609.25856v1
• Date: Tue, 22 Sep 2026 08:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.298018
• Title: Confidence-Guided Cross-Modal Knowledge Transfer for Multimodal Anomaly Detection in Microservice Systems
• Title（参考訳）: マイクロサービスシステムにおけるマルチモーダル異常検出のための信頼誘導型クロスモーダル知識伝達
• Abstract要約: マルチモーダル異常検出(CMT-AD)のための信頼誘導型クロスモーダル知識伝達法を提案する。 統合されたディープクラスタリングフレームワーク内のメトリクスとログを共同でモデル化し、ソフトクラスタリングディストリビューションを通じてモダリティの信頼性を推定する。 我々はCMT-ADを3つの大規模データセット上で評価し、CMT-ADが最先端のアプローチより優れていることを示した。
• 参考スコア（独自算出の注目度）: 34.65336699725841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate anomaly detection is essential for reliable and secure operations of microservice systems. While an increasing number of studies have shifted from unimodal modeling to multimodal interaction and fusion, effectively leveraging reliable cross-modal information remains challenging. The challenge primarily stems from two aspects. Firstly, different modalities are influenced by factors like load fluctuations, leading to dynamically changing reliability. Secondly, multimodal data exhibit heterogeneity in both structure and semantics. Therefore, we propose a confidence-guided Cross-Modal knowledge Transfer method for multimodal Anomaly Detection (CMT-AD). It jointly models metrics and logs within a unified deep clustering framework and estimates modality reliability through the soft clustering distributions, where clustering uncertainty is quantified into confidence scores. Guided by these confidence scores, the model actively analyzes the contributions of each modality in cross-modal interactions and supplements low-confidence modalities with knowledge from high-confidence ones. To further mitigate cross-modal heterogeneity, we introduce a gated intermediate modality and design structural and semantic consistency constraints that align the original modalities with the intermediate modality to preserve similarity structures and semantic distributions across modalities. Furthermore, intra-modal and cross-modal regularization terms are incorporated to enhance cluster compactness and mitigate negative transfer. We evaluated CMT-AD on three large-scale datasets, and the results demonstrate that CMT-AD outperforms state-of-the-art approaches and achieves an F1-score higher than 0.9.
• Abstract（参考訳）: マイクロサービスシステムの信頼性とセキュアな操作には、正確な異常検出が不可欠だ。 シングルモーダルモデリングからマルチモーダル相互作用や融合へと移行した研究は増えているが、信頼性の高いクロスモーダル情報の有効活用はいまだに困難である。 この課題は主に2つの側面に起因している。 第一に、異なるモダリティは負荷変動のような要因に影響され、動的に信頼性が変化する。 第二に、マルチモーダルデータは構造と意味の両方において不均一性を示す。 そこで本研究では,マルチモーダル異常検出(CMT-AD)のための信頼誘導型クロスモーダル知識伝達手法を提案する。 統合されたディープクラスタリングフレームワーク内のメトリクスとログを共同でモデル化し、クラスタリングの不確実性が信頼性スコアに定量化されるソフトクラスタリングディストリビューションを通じて、モダリティの信頼性を推定する。 これらの信頼度スコアによって導かれるこのモデルは、相互モーダル相互作用における各モダリティの寄与を積極的に分析し、高信頼度からの知識で低信頼度モダリティを補足する。 異種間不均一性をさらに緩和するため,原モダリティと中間モダリティを整合させ,類似構造と様相を横断する意味的分布を保ちつつ,構造的・意味的整合性に制約を課したゲート型中間モダリティを導入する。 さらに、クラスタのコンパクト性を高め、負転移を軽減するために、モーダル内およびクロスモーダル正則化項が組み込まれている。 我々はCMT-ADを3つの大規模データセット上で評価し、CMT-ADが最先端のアプローチより優れ、F1スコアが0.9よりも高いことを実証した。

関連論文リスト

• Rethinking Modality Reliability in Multimodal Sentiment Analysis with Incomplete Observations [9.993152436695421]
  不完全観測設定において、モダリティの信頼性は中心的な変数であり、モデル化に失敗すると2つの問題が発生する。 不完全な観察を伴うマルチモーダル感性分析のためのモダリティ信頼性校正フレームワークを提案する。 MRCFにはReliability-Aware Branchが含まれており、モジュール内の品質基準とモジュール間のセマンティック一貫性からサンプル固有のモダリティの信頼性を推定する。 CMU-MOSI、CMU-MOSEI、CH-SIMSの実験により、MRCFは標準的な不完全観測プロトコルで高い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-08-04T13:02:48Z)
• UnDA: Unpaired Domain Alignment for Cross-Modal Knowledge Transfer in Medical Imaging [0.4566725591898808]
  提案するUnDAは非対向型クロスモーダル蒸留のためのアンカー誘導型フレームワークである。 このアプローチでは,意味的に構造化されたクラストークンを抽出するバックボーンに依存しないアライメントモジュールを導入している。 意味のある構造的知識は、ペア化されたデータセットを使わずに異種データソース間で伝達可能であることを示す。
  論文  参考訳（メタデータ） (2026-07-23T17:33:29Z)
• Adaptive Confidence-weighted Expansion for Trustworthy Multi-Omics Multimodal Fusion [0.8749675983608171]
  マルチモーダル融合モデルの信頼性を高めるために,適応信頼度重み付き拡張(ACE)を導入する。 ACEは、分類性能と信頼性キャリブレーションの両方において、既存の最先端アルゴリズムよりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-07-22T21:42:16Z)
• SGMA: Semantic-Guided Modality-Aware Segmentation for Remote Sensing with Incomplete Multimodal Data [31.146366498415784]
  マルチモーダルセマンティックセグメンテーションは、リモートセンシング地球観測のための多様なセンサーからの補完情報を統合する。 IMSSは3つの主要な課題に直面している:マルチモーダル不均衡、支配的なモダリティが脆弱なモダリティを抑えること、スケール、形状、方向のクラス内変化、矛盾するキーと矛盾するセマンティック応答を生み出すクロスモーダル不均一。 本稿では,セマンティック・ガイド・モダリティ・アウェア(SGMA)フレームワークを提案する。セマンティック・モダリティ・アウェア(SGMA)フレームワークは,クラス内変動の低減とセマンティックガイダンスによる相互不整合の緩和を図りつつ,バランスの取れたマルチモーダル学習を実現する。
  論文  参考訳（メタデータ） (2026-03-03T01:28:21Z)
• Modality-Specific Enhancement and Complementary Fusion for Semi-Supervised Multi-Modal Brain Tumor Segmentation [6.302779966909783]
  医用画像セグメンテーションのための新しい半教師付きマルチモーダルフレームワークを提案する。 モダリティ固有のエンハンシングモジュール(MEM)を導入し、各モダリティに意味的なユニークな手がかりを強化する。 また,学習可能な相補的情報融合(CIF)モジュールを導入し,モダリティ間の相補的知識を適応的に交換する。
  論文  参考訳（メタデータ） (2025-12-10T16:15:17Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
  信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。 TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2022-04-25T03:48:49Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal Sentiment Analysis [96.46952672172021]
  Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。 モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
  論文  参考訳（メタデータ） (2021-07-28T23:33:42Z)

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。