論文の概要: DART: Domain-Agnostic Residual Transfer for Generalist Anomaly Detection

• arxiv url: http://arxiv.org/abs/2611.08271v1
• Date: Thu, 05 Nov 2026 16:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.582235
• Title: DART: Domain-Agnostic Residual Transfer for Generalist Anomaly Detection
• Title（参考訳）: DART:一般異常検出のためのドメイン非依存的残留移動
• Abstract要約: Generalist Anomaly Detection (GAD)は、いくつかの参照サンプルを使用して、目に見えない領域の異常を検出することを目的としている。 近年の正常なガイド法は, 異常な基準を利用して, この設定を改善している。 DARTは正常なガイド付きGADのためのプラグインフレームワークで、残余を異常関連コンポーネントとドメイン固有のコンポーネントに分離することを学ぶ。
• 参考スコア（独自算出の注目度）: 11.815784662257705
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generalist Anomaly Detection (GAD) aims to detect anomalies in unseen domains using only a few reference samples. Recent normal-abnormal guided methods improve this setting by exploiting abnormal references, but their residuals often mix transferable anomaly cues with domain-specific appearance factors such as texture, geometry, and acquisition conditions. This residual domain entanglement limits cross-domain transfer and may produce spurious activations on novel domains. We propose DART, a plug-in framework for normal-abnormal guided GAD that learns to separate residuals into anomaly-relevant and domain-specific components. DART combines a Residual Disentanglement Module, which preserves anomaly-discriminative information while suppressing domain information, with Cross-Domain Meta-Training, which forms episodes across source domains to make the separation effective. The method is architecture-agnostic and can be inserted between residual computation and the detection head of existing GAD pipelines. Experiments on MVTec AD, VisA, and BraTS show consistent improvements over multiple base methods, with the largest gains under stronger domain shifts. https://github.com/aqeeelmirza/DART
• Abstract（参考訳）: Generalist Anomaly Detection (GAD)は、いくつかの参照サンプルを使用して、目に見えない領域の異常を検出することを目的としている。 最近の正常なガイド法では、異常な基準を利用してこの設定を改善するが、その残余は転送可能な異常キューとテクスチャ、幾何学、取得条件などのドメイン固有の外観要素を混合することが多い。 この残留ドメインの絡み合いはドメイン間の移動を制限し、新規ドメイン上で急激な活性化を引き起こす可能性がある。 DARTは正常なガイド付きGADのためのプラグインフレームワークで、残余を異常関連コンポーネントとドメイン固有のコンポーネントに分離することを学ぶ。 DARTは、ドメイン情報を抑制しながら異常識別情報を保存するResidual Disentanglement Moduleと、ソースドメインにまたがってエピソードを形成するCross-Domain Meta-Trainingを組み合わせることで、分離を効果的にする。 この手法はアーキテクチャに依存しず、残差計算と既存のGADパイプラインの検出ヘッドの間に挿入することができる。 MVTec AD、VisA、BraTSの実験では、複数のベースメソッドに対して一貫した改善が見られ、ドメインシフトがより強くなる。 https://github.com/aqeeelmirza/DART

関連論文リスト

• EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders [0.4763980315619087]
  ビジョンファウンデーションモデル(VFM)は、計算病理学で広く使われているが、領域シフトに敏感である。 VFM埋め込みにおけるドメイン固有のコンポーネントを識別・抑制するために,クロスドメインスパース埋め込み(EXPOSE)の説明可能なプローブを提案する。
  論文  参考訳（メタデータ） (2026-08-28T11:04:28Z)
• Online Test-Time Adaptation for Generalizable Dynamic Graph Anomaly Detection [49.23479407739726]
  一般化可能な動的グラフ異常検出(DGAD)により、事前訓練された検出器は、コストのかかる再トレーニングをすることなく、未確認のターゲットドメイン内の異常を識別できる。 一般化可能なDGADのためのオンラインテスト時間適応を定式化し、OTTA-DGADを提案する。 OTTA-DGADはまず、時間的エゴグラフから正常パターンと異常パターンの進化表現を抽出し、メモリバッファに格納する。 異常スコアラは、これらのプロトタイプに対して入ってくるエッジ表現を比較して、一般およびドメイン固有の異常を識別する。
  論文  参考訳（メタデータ） (2026-08-20T10:07:39Z)
• Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis [49.89578655034085]
  本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。 DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。 また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
  論文  参考訳（メタデータ） (2026-04-22T08:41:27Z)
• Rethinking Representations for Cross-Domain Infrared Small Target Detection: A Generalizable Perspective from the Frequency Domain [26.03122882760887]
  クロスドメインIRSTDのための空間-スペクトル協調認識ネットワークを提案する。 我々は、一般化可能な目標認識を導出するための位相修正モジュール(PRM)を開発した。 我々は、位置情報を保持するために、スキップ接続に注意機構(OAM)を用いる。
  論文  参考訳（メタデータ） (2026-04-02T11:54:28Z)
• ADRMX: Additive Disentanglement of Domain Features with Remix Loss [7.206800397427553]
  ドメインの一般化は、新しい目に見えないドメインに一般化できる堅牢なモデルを作成することを目的としている。 本稿では,Remix Lossによるドメイン特徴の付加的分散という新しいアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2023-08-12T17:52:21Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Anomaly Detection with Domain Adaptation [5.457279006229213]
  この問題を解決するために,不変表現異常検出(IRAD)を提案する。 抽出は、ソース固有のエンコーダやジェネレータと共に訓練されたクロスドメインエンコーダによって達成される。 我々は、桁画像データセット(MNIST、USPS、SVHN)とオブジェクト認識データセット(Office-Home)に基づいて、IRADを広範囲に評価する。
  論文  参考訳（メタデータ） (2020-06-05T21:05:19Z)

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。