CAFD：使用 VLM 进行概念感知 DNN 故障检测

arXiv:2605.24008v1 公告类型：新 摘要：深度神经网络（DNN）的故障检测近年来受到越来越多的关注。虽然已经提出了更先进的混合方法来结合多个信息源并优于早期技术，但它们通常会产生大量的计算开销，限制了现实环境中的可扩展性和实用性。在本文中，我们介绍了概念感知故障检测（CAFD），这是一种基于学习的方法，通过有效集成多个信息源同时保持实际效率来实现卓越的故障检测性能。具体来说，CAFD 使用一组精心挑选的信息特征进行训练，包括从 DNN 输出导出的基于模型的信号、基于距离的特征以及一种新颖的基于概念的特征，称为概念失败率 (CFR)。 CFR 利用视觉语言模型 (VLM) 从图像中提取文本概念，并量化它们的存在与 DNN 故障相关的可能性。通过合并此功能，CAFD 受益于互补的语义信息，从而实现更有效的故障检测。我们的结果表明，CFR 可以作为 DNN 故障检测的有效指标。我们对 CAFD 进行了广泛的实证评估，将其与三个主题 DNN 模型和数据集（包括 ImageNet）的五个最先进的基线进行比较。在各种受限的选择预算中，CAFD 在故障检测率 (FDR) 方面始终优于所有基准，在所有调查对象和预算规模中实现平均 FDR 提高 18.3%。