RobustA: 鲁棒性多模态异常检测
机器学习
2025-11-11 v1
摘要
近年来，多模态异常检测方法在视频单模态模型上展现出显著的性能提升。然而，现实中的多模态数据常常因不可预见的环境失真而受到损坏。本文提出了首个系统性研究多模态异常检测任务中受损模态影响的工作。为统一此项工作，我们提出了RobustA——一个精心策划的评估数据集，用于系统观察音频和视觉失真对异常检测系统整体效果的影响。此外，我们提出了一种多模态异常检测方法，展现出对受损模态的显著鲁棒性。该方法学习不同模态的共享表征空间，并在推理时根据估计的失真程度采用动态加权方案。我们的工作为实现多模态异常检测的实际应用，特别是处理可能发生的模态失真情形，代表了重要的进步。将公开发布的受损模态及其提取特征的评估数据集。
引用
@article{arxiv.2511.07276,
title = {RobustA: Robust Anomaly Detection in Multimodal Data},
author = {Salem AlMarri and Muhammad Irzam Liaqat and Muhammad Zaigham Zaheer and Shah Nawaz and Karthik Nandakumar and Markus Schedl},
journal= {arXiv preprint arXiv:2511.07276},
year = {2025}
}
备注
Submitted to IEEE Transactions on Image Processing