工業異常檢測是工業系統中的關鍵挑戰，近年來受到廣泛關注。隨着異構工業傳感器的快速發展，異常檢測正從單模態向多模態範式轉變。然而，現有方法主要針對集中式和離線場景設計，忽略了真實工業環境中數據的分佈式和持續生成特性。隨着邊緣智能的進步，現代邊緣設備不僅能夠採集數據，還能進行分佈式模型訓練，從而實現系統範圍內的協同智能。在此背景下，工業異常檢測成為一個重要應用。
為了解決這些挑戰，研究人員提出了一個新框架——多模態在線分佈式工業異常檢測（MODIAD）。該框架首先定義了一個完整的MODIAD工作流程，然後形式化了一個多類智能調度（MIS）問題，通過平衡數據充足性和類別更新頻率來協調跨類模型更新。為了高效求解該問題，設計了序列邊際增益貪心（SMG）算法，能夠在資源約束下實現有效的多類訓練。此外，為了提升訓練過程中的計算和通信效率，提出了資源高效類級低秩自適應（REC-LoRA）策略，在保持檢測性能的同時顯著降低系統開銷。
在兩個代表性多模態工業異常檢測數據集MVTec 3D-AD和Eyecandies上進行的大量實驗表明，所提方法在MODIAD場景下取得了優越的性能和效率。該工作為工業異常檢測的分佈式在線應用提供了新的思路。