Fugu-MT 論文翻訳(概要): Augmenting Visual Anomaly Detection with Automated Interpretability

論文の概要: Augmenting Visual Anomaly Detection with Automated Interpretability

arxiv url: http://arxiv.org/abs/2609.33818v1
Date: Sun, 27 Sep 2026 18:13:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-04 16:32:35.79757
Title: Augmenting Visual Anomaly Detection with Automated Interpretability
Title（参考訳）: 自動解釈による視覚異常検出の高速化
Abstract要約: 視覚異常検出装置は、既知の正常なデータからの偏差を識別するが、その異常信号は実際の異常の証拠と良質な視覚的変動を混合する可能性がある。本稿では,この信号の異なる成分を識別・介入することにより,視覚異常検出装置を拡張できるかどうかを考察する。
参考スコア（独自算出の注目度）: 3.83610149911488
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Visual anomaly detectors identify deviations from known-normal data, but their anomaly signals may mix evidence of actual anomalies with benign visual variation. We investigate whether automated interpretability can augment visual anomaly detectors by identifying and intervening on different components of this signal. We decompose PatchCore nearest-normal residuals into sparse features using Sparse Autoencoders (SAEs), and provide high-activation and contrastive non-active examples to a Multimodal LLM, which describes each feature and labels it as anomaly, distractor, or uncertain. These labels guide interventions in the SAE hidden representation, where distractor features are suppressed and anomaly features amplified. The edited representation is then used to reconstruct patch embeddings, which are rescored with PatchCore. Across 40 categories from four benchmarks, applying both interventions jointly improves macro-average image-level AUROC from 0.8724 to 0.8857 on source data and from 0.8066 to 0.8210 under synthetic corruptions. On three additional RobustAD categories with real acquisition shifts, the same interventions improve AUROC from 0.8745 to 0.9056 on source data and from 0.6069 to 0.6599 under real acquisition shifts. Finally, individual feature interventions across all 43 categories show that the MLLM labels are aligned in aggregate with how features differently affect normal and anomalous images.
Abstract（参考訳）: 視覚異常検出装置は、既知の正常なデータからの偏差を識別するが、その異常信号は実際の異常の証拠と良質な視覚的変動を混合する可能性がある。本稿では,この信号の異なる成分を識別・介入することにより,視覚異常検出装置を拡張できるかどうかを考察する。 Sparse Autoencoders (SAEs) を用いて, PatchCore に最も近い正規残基をスパース特徴に分解し, マルチモーダル LLM に高活性かつ非活性な実例を提供する。これらのラベルはSAE隠蔽表現の介入を誘導し、乱れの特徴が抑制され、異常な特徴が増幅される。編集された表現は、パッチの埋め込みを再構築するために使用され、PatchCoreで再描画される。 4つのベンチマークから40カテゴリにわたって、どちらの介入も共同でマクロ平均画像レベルAUROCをソースデータで0.8724から0.8857、合成汚職で0.8066から0.8210に改善する。実際の買収シフトを伴う3つのRobostADカテゴリでは、AUROCをソースデータで0.8745から0.9056に改善し、実際の買収シフトでは0.6069から0.6599に改善している。最後に、43のカテゴリにまたがる個々の特徴介入は、MLLMラベルが正常な画像と異常な画像に異なる特徴がどのように影響するかを集約的に表していることを示している。

関連論文リスト

Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
論文参考訳（メタデータ） (2026-09-03T14:05:27Z)
ShiftSplit-AD: Separating Domain Shift from Defects in Foundation-Feature Visual Anomaly Detection [0.0]
本研究は, DINOv2残基の構造的分解がシフト誘起エビデンスを抑制することができるかどうかを考察する。 ShiftSplit-ADは、パッチ残留行列をローランクおよびロースパースコンポーネントに分解する。実験は普遍的な分離というよりはむしろ中心的なトレードオフを露呈する。
論文参考訳（メタデータ） (2026-08-27T18:42:38Z)
ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
論文参考訳（メタデータ） (2025-10-21T06:51:30Z)
On the Problem of Consistent Anomalies in Zero-Shot Industrial Anomaly Detection [0.0]
類似性計算から一貫した異常を識別・フィルタリングする新しいアルゴリズムであるConsistent-Anomaly Detection Graph (CoDeGraph)を導入する。 CoDeGraphはイメージレベルのグラフを構築し、イメージをノードとして、エッジを共通の一貫したアノマリーパターンで接続する。 ViT-L-14-336バックボーンを用いたMVTec ADの実験では、AUROCが98.3%、ASが66.8%であった。
論文参考訳（メタデータ） (2025-10-12T05:28:28Z)
Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文参考訳（メタデータ） (2025-04-15T10:42:25Z)
MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文参考訳（メタデータ） (2023-08-29T13:38:35Z)
Pushing the Limits of Fewshot Anomaly Detection in Industry Vision: Graphcore [71.09522172098733]
FSADにおけるグラフ表現を利用して,新しい視覚不変特徴(VIIF)を異常測定特徴として利用する。 VIIFは異常識別能力を確実に向上し、Mに格納された冗長な特徴のサイズをさらに小さくすることができる。さらに、教師なしFSADトレーニングを高速に実装し、異常検出の性能を向上させることができる、VIIFによる新しいモデルGraphCoreを提供する。
論文参考訳（メタデータ） (2023-01-28T03:58:32Z)
Causal Transportability for Visual Recognition [70.13627281087325]
画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
論文参考訳（メタデータ） (2022-04-26T15:02:11Z)
Self-Supervised Losses for One-Class Textual Anomaly Detection [6.649715954440713]
テキスト中の異常検出のための現在のディープラーニング手法は、調整が難しいインレーヤの監視信号に依存している。我々は、自己監督目的を持つ不整合データ上の微調整変換器と、損失を異常スコアとして用いるという、より単純な方法について検討する。全体として、自己超越アプローチは、様々な異常検出シナリオにおいて、他の方法よりも優れている。
論文参考訳（メタデータ） (2022-04-12T10:42:47Z)
Simple Adaptive Projection with Pretrained Features for Anomaly Detection [0.0]
本稿では,単純な線形変換と自己注意を含む新しい適応フレームワークを提案する。事前訓練した特徴を持つ簡易適応投影法(SAP2)により,新しい異常検出基準が得られた。
論文参考訳（メタデータ） (2021-12-05T15:29:59Z)
SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文参考訳（メタデータ） (2021-11-25T03:53:43Z)

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。