産業異常検知は産業システムにおける基本的な課題として大きな注目を集めている。異種産業センサの急速な進歩により、産業異常検知は単一モーダルからマルチモーダルなパラダイムへと移行してきた。しかし、既存の手法は主に集中型かつオフラインの設定向けに設計されており、実世界の産業環境に特徴的な分散的で継続的に生成されるデータの特性を考慮していない。エッジインテリジェンスの進歩に伴い、現代のエッジデバイスはデータ取得だけでなく分散モデルトレーニングも可能になりつつあり、システム全体での協調インテリジェンスを実現できる。産業異常検知はこの文脈における重要な応用である。
これらの課題に動機付けられ、本論文ではマルチモーダルオンライン分散産業異常検知（MODIAD）と呼ばれる新しいフレームワークを提案する。まずMODIADの包括的なワークフローを示し、次にデータ充足性とクラス更新頻度のバランスを取ることによりクラス間のモデル更新を調整するマルチクラスインテリジェントスケジューリング（MIS）問題を定式化する。この問題を効率的に解くために、リソース制約下で効果的なマルチクラストレーニングを可能にする逐次限界利得貪欲（SMG）アルゴリズムを設計する。さらに、トレーニング中の計算と通信の効率を改善するために、リソース効率的クラス別低ランク適応（REC-LoRA）戦略を提案する。これは検知性能を維持しながらシステムオーバーヘッドを大幅に削減する。
2つの代表的なマルチモーダル産業異常検知データセット、MVTec 3D-ADとEyecandiesでの広範な実験により、提案手法がMODIADシナリオ下で優れた性能と効率を達成することが示された。本論文はHeqiang Wangら7名の著者により、2026年5月15日にarXivに提出された。主題分類は機械学習（cs.LG）であり、人工知能（cs.AI）およびコンピュータビジョンとパターン認識（cs.CV）にも関連する。