MODIAD: эффективное онлайн-обнаружение аномалий на промышленных объектах
Обнаружение аномалий в промышленных системах переходит на новый уровень: исследователи представили фреймворк MODIAD (Multimodal Online Distributed Industrial Anomaly Detection), предназначенный для работы в реальном времени на распределённых устройствах. Работа опубликована на arXiv.
Традиционные методы обнаружения аномалий часто проектируются для централизованных систем и не учитывают непрерывный поток данных с различных датчиков. С развитием периферийных вычислений (edge intelligence) устройства не только собирают данные, но и участвуют в распределённом обучении, что требует новых подходов к координации.
MODIAD решает проблему многоклассового интеллектуального планирования (Multi-class Intelligent Scheduling, MIS). Основная задача — сбалансировать частоту обновления моделей для разных классов аномалий с учётом ограниченных ресурсов. Для этого авторы разработали жадный алгоритм Sequential Marginal Gain Greedy (SMG), который последовательно выбирает наиболее выигрышные обновления.
Дополнительно предложена стратегия REC-LoRA (Resource Efficient Class-Wise Low Rank Adaptation), которая снижает вычислительные и коммуникационные затраты во время обучения. Метод использует низкоранговую адаптацию для каждого класса, что позволяет сократить объём передаваемых параметров без потери точности.
Эксперименты на двух наборах данных — MVTec 3D-AD (трёхмерная промышленная дефектоскопия) и Eyecandies (синтетические конфеты с дефектами) — показали, что MODIAD превосходит существующие подходы по производительности и эффективности. В сценарии онлайн-обучения в распределённой среде метод обеспечивает высокое качество детекции при низких накладных расходах.
Разработка имеет практическое значение для заводов, где тысячи датчиков генерируют данные в реальном времени. Внедрение MODIAD может ускорить выявление дефектов без необходимости централизованного сервера, что особенно важно для удалённых или труднодоступных объектов.
