MECAD：用于持续异常检测的多专家架构
计算机视觉与模式识别
2025-12-18 v1
摘要
本文提出了 MECAD（Multi-Expert Continual Anomaly Detection），一种基于多专家架构的持续异常检测方法。我们的系统根据特征相似性动态分配专家到目标类别，并采用高效的内存管理机制来保存先前观察类别的知识。通过利用优化后的 coreset 选择和专门的回放缓冲区机制，我们实现了无需完整模型再训练的增量学习。我们在 MVTec AD 数据集上的实验评估表明，最佳的 5-专家配置在 15 个多样化目标类别上实现了 0.8259 的平均 AUROC，显著降低了相较于单专家方法的知识退化。该框架在计算效率、专业知识保留和适应性之间取得了良好平衡，特别适用于产品类型不断演变的工业环境。
引用
@article{arxiv.2512.15323,
title = {MECAD: A multi-expert architecture for continual anomaly detection},
author = {Malihe Dahmardeh and Francesco Setti},
journal= {arXiv preprint arXiv:2512.15323},
year = {2025}
}
备注
Accepted to ICIAP 2025