COPRA: 強化学習を用いた条件付きパラメータ適応によるビデオ異常検出

近年、視覚言語モデル（VLM）はビデオ異常検出（VAD）において強力な性能を示し、解釈可能な予測を提供しています。しかし、既存のVLMベースのVAD手法には、学習と推論の間のデータ分布とモデル構成の基本的なミスマッチという問題があります。ほとんどのアプローチは静的な学習後適応に依存しており、未知の環境や異常タイプなどの分布シフトに対する汎化が制限されます。さらに、これらの手法は長いビデオからスパースなフレームでVLMを学習する一方、推論時には密にサンプリングされた短いセグメントに対して推論を行うため、学習とテストの間に不整合が生じます。これらの制限に対処するため、Darryl Cherian Jacob氏ら研究チームはCOPRAを提案しました。これは、VLMベースのVADのための条件付きパラメータ適応フレームワークです。固定されたプロンプトや共有パラメータ更新の代わりに、COPRAは各ビデオセグメントに対して入力固有のパラメータ更新を生成し、学習と推論の両方で凍結されたVLMを動的に適応させます。実験では、標準的なVADベンチマークにおいて強力な性能を示し、ドメイン内およびクロスドメインの両方の設定で静的ベースラインを一貫して上回りました。さらに、COPRAはVADを超えて、多肢選択ビデオ質問応答や密集キャプションなどの未見タスクにも汎化します。これらの結果は、COPRAがスケーラブルで適応的、かつ文脈認識型のビデオ理解のための効果的な重み空間生成フレームワークであることを示しています。本論文は2026年5月14日にarXivに投稿され、現在査読中です。コードはGitHubで公開される予定です（リポジトリ: THE-MALT-LAB/COPRA）。研究チームは、COPRAがビデオ理解の基盤的手法として、将来の適応型モデルの発展に貢献すると期待しています。