面向多模态在线分布式工业异常检测的参数高效多类智能调度
本文提出了一种名为MODIAD的新型框架，用于解决工业环境中的多模态在线分布式异常检测问题。该框架包括一个多类智能调度（MIS）问题以协调跨类模型更新，并通过序列边际增益贪心（SMG）算法高效求解。此外，还提出了资源高效类级低秩自适应（REC-LoRA）策略以降低训练开销。在MVTec 3D-AD和Eyecandies数据集上的实验表明，该方法在MODIAD场景下实现了卓越的性能和效率。
文章情报
要点
- 现有工业异常检测方法多集中于集中式和离线设置，忽视了分布式和持续生成的数据。
- 提出的MODIAD框架结合了多类智能调度和边缘智能，支持在线分布式训练。
- SMG算法和REC-LoRA策略分别解决了调度和效率问题。
为什么重要
这条新闻值得关注，因为现有工业异常检测方法多集中于集中式和离线设置，忽视了分布式和持续生成的数据。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
工业异常检测是工业系统中的关键挑战，近年来受到广泛关注。随着异构工业传感器的快速发展，异常检测正从单模态向多模态范式转变。然而，现有方法主要针对集中式和离线场景设计，忽略了真实工业环境中数据的分布式和持续生成特性。随着边缘智能的进步，现代边缘设备不仅能够采集数据，还能进行分布式模型训练，从而实现系统范围内的协同智能。在此背景下，工业异常检测成为一个重要应用。
为了解决这些挑战，研究人员提出了一个新框架——多模态在线分布式工业异常检测（MODIAD）。该框架首先定义了一个完整的MODIAD工作流程，然后形式化了一个多类智能调度（MIS）问题，通过平衡数据充足性和类别更新频率来协调跨类模型更新。为了高效求解该问题，设计了序列边际增益贪心（SMG）算法，能够在资源约束下实现有效的多类训练。此外，为了提升训练过程中的计算和通信效率，提出了资源高效类级低秩自适应（REC-LoRA）策略，在保持检测性能的同时显著降低系统开销。
在两个代表性多模态工业异常检测数据集MVTec 3D-AD和Eyecandies上进行的大量实验表明，所提方法在MODIAD场景下取得了优越的性能和效率。该工作为工业异常检测的分布式在线应用提供了新的思路。