在工业系统中，异常检测一直是一项基础且关键的挑战，受到学术界与产业界的持续关注。随着异构工业传感器技术的快速进步，工业异常检测正从单模态范式向多模态范式演进，即同时利用图像、深度、点云等多种传感信息来判断产品是否存在缺陷或异常。然而，现有方法大多为集中式、离线的场景而设计，难以应对真实工业环境中数据分布在不同设备上、并持续不断产生的特点，这一缺口成为该论文研究的出发点。
论文指出，随着边缘智能的发展，现代边缘设备不仅能完成数据采集，还日益具备分布式模型训练的能力，从而支撑整个系统层面的协同智能。工业异常检测正是这一背景下的重要应用场景。基于此，作者提出了一个名为“多模态在线分布式工业异常检测”（Multimodal Online Distributed Industrial Anomaly Detection，简称 MODIAD）的新框架，用以系统性地刻画并解决该场景下的新问题。
在方法层面，论文首先给出了 MODIAD 的完整工作流程，随后将跨类别模型更新的协调问题形式化为“多类智能调度”（Multi-class Intelligent Scheduling，简称 MIS）问题，其核心在于在数据充足性与类别更新频率之间取得平衡。为高效求解该问题，作者设计了一种“序列边际增益贪心”（Sequential Marginal Gain Greedy，简称 SMG）算法，使系统在资源受限条件下仍能有效开展多类别训练。
此外，为提升训练过程中的计算与通信效率，论文进一步提出了“资源高效类别级低秩适配”（Resource Efficient Class-Wise Low Rank Adaptation，简称 REC-LoRA）策略。该策略在保持检测性能的同时，显著降低了系统开销，体现了参数高效的设计思路。
在实验部分，作者在两个具有代表性的多模态工业异常检测数据集 MVTec 3D-AD 与 Eyecandies 上进行了大量评估，结果表明所提方法在 MODIAD 场景下同时取得了更优的性能与效率。该论文提交于 2026 年 5 月 15 日，作者为 Heqiang Wang 等共 7 人，主题涵盖机器学习、人工智能以及计算机视觉与模式识别，arXiv 编号为 2605.23984，属于 cs.LG 类别。