論文の概要: Representation--Behavior Alignment for Explainable Weakly-Supervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.05129v1
• Date: Sun, 04 Oct 2026 11:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 23:10:45.748336
• Title: Representation--Behavior Alignment for Explainable Weakly-Supervised Video Anomaly Detection
• Title（参考訳）: 説明可能な弱スーパービジョンビデオ異常検出のための表現-ビヘイビアアライメント
• Abstract要約: MLLM(MultiBehavior Large Language Models)は、ビデオの異常検出をより説明しやすいものにするための自然な方法である。 彼らの最終決定は、隠された状態に含まれる差別的な情報を常に完全に利用するとは限らない。 我々はこのギャップをキャパシティコンポーネントに分解し、読み出し位置に集約されない識別情報を計測する。 背骨の約0.012%を更新しながらビデオレベルラベルのみを用いてこれらの層を適応させるパラメータ効率の高い手法であるRepresentation-Behavior Alignment (RBA)を提案する。
• 参考スコア（独自算出の注目度）: 85.80105227185304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal Large Language Models (MLLMs) provide a natural way to make video anomaly detection more explainable. However, their final decisions do not always fully use the discriminative information contained in their hidden states, an issue we refer to as representation--behavior misalignment. We decompose this gap into a capacity component that measures discriminative information never aggregated into the readout position, and a directional component that measures the angular mismatch between the optimal and the native normal--abnormal axis at that position. Across multiple video anomaly detection benchmarks and MLLM backbones the directional component dominates, and residual-stream tracing shows that native-axis separability rises sharply in several mid-to-late attention layers. Because both components are governed by attention rather than MLP updates, we propose Representation--Behavior Alignment (RBA), a parameter-efficient method that adapts those layers using video-level labels alone while updating about 0.012\% of the backbone parameters. Experiments on three benchmarks show that RBA improves native-readout performance and better aligns the model's decision direction with discriminative representations, and it produces anomaly decisions and explanations through a single generative process.
• Abstract（参考訳）: MLLM(Multimodal Large Language Models)は、ビデオの異常検出をより説明しやすいものにするための自然な方法である。 しかし, 最終決定は, 隠蔽状態に含まれる識別的情報, 表現行動的ミスアライメント(depresentive-behavior misalignment) を必ずしも完全に使用していない。我々はこのギャップを, 読み出し位置に集約されない識別的情報を測定する能力成分と, その位置における最適軸と固有軸との角的ミスマッチを測定する方向成分に分解する。 複数のビデオ異常検出ベンチマークとMLLMバックボーンで、方向成分が支配的であり、残留ストリームトレーシングは、いくつかの中後期の注意層でネイティブ軸分離性が急上昇することを示している。 両コンポーネントはMLP更新よりも注意によって管理されるため,ビデオレベルラベルのみを用いて,約0.012\%のバックボーンパラメータを更新しながら,それらの層を適応させるパラメータ効率の高い手法であるRepresentation--Behavior Alignment (RBA)を提案する。 3つのベンチマークでの実験では、RABはネイティブ読み出し性能を改善し、モデルの判断方向を識別的表現と整合させ、単一の生成プロセスを通じて異常な決定と説明を生成する。

関連論文リスト

• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• HiProbe-VAD: Video Anomaly Detection via Hidden States Probing in Tuning-Free Multimodal LLMs [8.18063726177317]
  ビデオ異常検出(VAD)は、ビデオシーケンス内の通常のパターンから逸脱を識別し、特定することを目的としている。 本稿では,VADのための事前学習型マルチモーダル大言語モデル(MLLM)を,微調整を必要とせずに活用する新しいフレームワークであるHiProbe-VADを提案する。
  論文  参考訳（メタデータ） (2025-07-23T10:41:46Z)
• Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
  MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。 中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。 大規模な実験ではPPADの大幅な改善が示されている。
  論文  参考訳（メタデータ） (2025-05-26T14:42:35Z)
• Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
  本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。 提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-12T03:31:29Z)
• Unsupervised Video Anomaly Detection with Diffusion Models Conditioned on Compact Motion Representations [17.816344808780965]
  教師なしビデオ異常検出(VAD)問題とは、ビデオ内の各フレームをラベルにアクセスすることなく正常または異常に分類することである。 提案手法は条件付き拡散モデルを用いて,事前学習したネットワークから入力データを抽出する。 提案手法は,データ駆動しきい値を用いて,異常事象の指標として高い再構成誤差を考慮している。
  論文  参考訳（メタデータ） (2023-07-04T07:36:48Z)
• Dual Memory Units with Uncertainty Regulation for Weakly Supervised Video Anomaly Detection [15.991784541576788]
  ビデオとセグメントレベルのラベル指向の既存のアプローチは、主に異常データの表現の抽出に重点を置いている。 本研究では、正規データの表現と異常データの識別特徴の両方を学習するために、不確実性制御デュアルメモリユニット(UR-DMU)モデルを提案する。 我々の手法は、最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2023-02-10T10:39:40Z)
• Mitigating Representation Bias in Action Recognition: Algorithms and Benchmarks [76.35271072704384]
  ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。 この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。 偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:30:35Z)

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。