面向增量异常检测的在线经验回放: ONER
机器学习
2025-11-25 v2 机器学习
摘要
增量异常检测旨在顺序识别工业产品线中的缺陷,但因参数更新中的知识覆盖以及跨任务特征冲突,面临灾难性遗忘问题。本文提出 ONER (ONline Experience Replay),一个集成两种经验类型的 end-to-end 框架以解决上述问题: (1) 分解提示,动态从可重用模块生成图像条件化提示以保留先前知识从而防止知识覆盖; (2) 语义原型,在像素和图像级别强化特征空间的可分性以缓解跨任务特征冲突。大量实验表明 ONER 的卓越性能,在 MVTec AD 数据集上相较于先前方法实现了 +4.4% Pixel AUROC 和 +28.3% Pixel AUPR 的提升。值得注意的是,ONER 仅需 0.019M 参数和每个任务 5 个训练 epoch,即可实现此性能,证明其在实际工业部署中的高效性和稳定性。
引用
@article{arxiv.2412.03906,
title = {Final-Model-Only Data Attribution with a Unifying View of Gradient-Based Methods},
author = {Dennis Wei and Inkit Padhi and Soumya Ghosh and Amit Dhurandhar and Karthikeyan Natesan Ramamurthy and Maria Chang},
journal= {arXiv preprint arXiv:2412.03906},
year = {2025}
}
备注
Published at the Thirty-Ninth Annual Conference on Neural Information Processing Systems (NeurIPS 2025). 28 pages, 11 figures