智能AI
morning
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
2026-05-26
1 阅读
Heqiang Wang, Weihong Yang, Zheyuan Yang, Jia Zhou, Xiaoxiong Zhong, Fangming Liu, Weizhe Zhang
arXiv:2605.23984v1 公告类型：新 摘要：工业异常检测作为工业系统中的一项基本挑战引起了人们的广泛关注。异构工业传感器的快速发展推动工业异常检测从单模范式转向多模范式。然而，现有的方法主要是针对集中式和离线设置而设计的，忽视了现实工业环境中分布式和连续生成的数据特征。随着边缘智能的进步，现代边缘设备不仅能够获取数据，还能够进行分布式模型训练，从而实现跨系统的协作智能。工业异常检测是这方面的一个关键应用。受这些挑战的推动，我们提出了一种称为多模式在线分布式工业异常检测（MODIAD）的新颖框架。我们首先提出 MODIAD 的全面工作流程，然后制定多类智能调度 (MIS) 问题，通过平衡数据充足性和类更新频率来协调跨类模型更新。为了有效地解决这个问题，我们设计了一种顺序边际增益贪婪（SMG）算法，该算法能够在资源限制下进行有效的多类训练。此外，为了提高训练期间的计算和通信效率，我们提出了一种资源高效的逐类低秩适应（REC-LoRA）策略，该策略可显着降低系统开销，同时保持检测性能。对两个代表性多模态工业异常检测数据集 MVTec 3D-AD 和 Eyecandies 的大量实验表明，所提出的方法在 MODIAD 场景下实现了卓越的性能和效率。