智能AI
morning
多模态异常检测：调查
摘要
arXiv:2608.24937v1 Announce Type: new Abstract: Multi-Modal Anomaly Detection (MMAD) detects rare abnormal events from heterogeneous data sources and is increasingly used in safety- and reliability-cr...
and
MMAD
methods
modal
assumption
from
the
across
domains
how
2026-08-27
1 阅读
约1分钟阅读
Xudong Mou, Zexin Wu, Chuan Luo, Shiru Chen, Xudong Liu, Chunming Hu, Renyu Yang
字号:
arXiv:2608.24937v1 公告类型：新 摘要：多模态异常检测 (MMAD) 可检测来自异构数据源的罕见异常事件，并越来越多地用于工业检测和网络安全等安全性和可靠性关键型应用。然而，文献跨领域和模态组合分散，现有的调查通常按架构对方法进行分组，而不是按多模态环境中异常的定义和分离方式进行分组。我们从假设驱动的角度调查 MMAD。我们将问题形式化，确定其核心挑战背后的五个内在特征，并将先前的工作组织成两个互补的范式。第一种是正态性假设方法，通过表示学习、跨模式对齐和知识增强来建模规律性。第二种是异常假设方法，通过粗粒度、结构和语义异常注入来锐化决策边界。我们还研究了基础模型如何通过可扩展的预训练、灵活的跨模式传输和新兴的推理能力来重塑 MMAD。最后，我们编译了跨领域的代表性基准和评估协议，并强调了稳健、自适应和可解释的 MMAD 系统的开放问题和未来方向。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱