BayPrAnoMeta：基于贝叶斯原型-MAML 的少样本工业图像异常检测
机器学习
2026-01-29 v1 机器学习
摘要
工业图像异常检测因极端类别不平衡和缺乏标记的损坏样本（尤其在少样本设置下）而面临挑战。我们提出了 BayPrAnoMeta，一种针对少样本工业图像异常检测的贝叶斯化原型-MAML 方法。不同于现有的原型-MAML 方法依赖确定性原型和基于距离的适应，BayPrAnoMeta 将原型替换为基于任务的概率正规性模型，并通过贝叶斯后验预测似然进行内循环适应。我们对正常支持嵌入使用正规-逆Wishart (NIW) 先验，生成 Student- 预测分布，从而实现基于不确定性的重尾异常评分，这在极端少样本设置下至关重要。我们进一步将 BayPrAnoMeta 扩展为针对异构工业客户的有监督对比正则化的联邦元学习框架，并证明了其对结果非凸目标的平稳点的收敛。在 MVTec AD 基准上实验表明，在少样本异常检测设置下，BayPrAnoMeta 在 AUROC 上显著优于 MAML、Proto-MAML 和 PatchCore 等方法。
引用
@article{arxiv.2601.19992,
title = {BayPrAnoMeta: Bayesian Proto-MAML for Few-Shot Industrial Image Anomaly Detection},
author = {Soham Sarkar and Tanmay Sen and Sayantan Banerjee},
journal= {arXiv preprint arXiv:2601.19992},
year = {2026}
}