First, the user wants me to translate the text "CAFD: Concept-Aware DNN Fault Detection using VLMs" into Chinese. I should only return the translation result, without adding any explanations or annotations. Key points from the text: - CAFD: This is an acronym, likely standing for "Concept-Aware DNN Fault Detection". - Concept-Aware: This means "概念感知" in Chinese. - DNN: Stands for "Deep Neural Networks", which is "深度神经网络" in Chinese. - Fault Detection: Translated to "故障检测" or "缺陷检测". - using VLMs: VLMs likely stands for "Vision-Language Models", which is "视觉语言模型" in Chinese. Now, to construct the full translation: - "CAFD" should be kept as is since it's an acronym, or translated if appropriate. In Chinese technical contexts, acronyms are often kept in English, but sometimes they are translated. The user didn't specify, so I should translate the meaning while preserving the acronym structure. A common approach is to translate the full phrase and keep the acronym as is for reference. - "Concept-Aware DNN Fault Detection using VLMs" translates to: "使用视觉语言模型的概念感知深度神经网络故障检测". Putting it together: - The acronym "CAFD" might be translated as "概念感知深度神经网络故障检测", but in the given text, it's part of the title. To be precise, I should translate the entire phrase as a whole. Considering the user's instruction: "只返回翻译结果，不要添加任何解释或注释。" So, I should return only the translated text. A natural Chinese translation could be: "CAFD：使用视觉语言模型的概念感知深度神经网络故障检测". In technical writing, it's common to keep the acronym and then provide the translation. So, "CAFD: Concept-Aware DNN Fault Detection using VLMs" can be translated as "CAFD：使用视觉语言模型的概念感知深度神经网络故障检测". To make it more concise, I can structure it as: "概念感知DNN故障检测（使用VLMs）", but that might change the original meaning slightly. Best to stick closely to the original structure. Let's break it down: - CAFD → 可能代表"Concept-Aware Fault Detection", but in the text, it's
现有深度神经网络故障检测的混合方法常面临计算开销大、可扩展性差的局限。本文提出概念感知故障检测（CAFD）方法，通过有效整合模型输出信号、距离特征以及创新的概念失败比率（CFR），在保持实用效率的同时显著提升了故障检测性能。CFR利用视觉语言模型量化图像文本概念与DNN故障的关联性，提供了关键的语义互补信息。实验表明，CAFD在多个数据集和预算约束下，平均故障检测率比现有最优基线高出18.3%。
65
热度
85
质量
75
影响力
深度分析
背景与问题
深度神经网络的故障检测至关重要。当前更先进的混合方法虽然能结合多种信息源并超越早期技术，但往往伴随着巨大的计算开销，这限制了其在现实场景中的可扩展性与实用性。因此，如何在整合多源信息以实现高性能的同时，维持计算效率，成为该领域面临的核心矛盾与挑战。
核心内容
为解决上述问题，本文提出了一种基于学习的概念感知故障检测（CAFD） 方法。其核心创新在于通过精心选择的特征集来平衡性能与效率：
- 特征构成：CAFD 的训练整合了三类信息：
- 模型信号：基于DNN输出的传统特征。
- 距离特征：衡量样本偏离正常分布的程度。
- 概念失败比率（CFR）：这是本文提出的关键新特征。CFR 利用视觉语言模型（VLMs） 从图像中提取高层语义概念，并量化这些概念的存在与DNN故障发生概率之间的关联。
- 方法优势：通过融合 CFR 这一富含语义信息的特征，CAFD 能够获得互补的语义信息，从而进行更有效的故障判断，同时避免了为过度提升精度而设计的极端复杂结构，从而保持了实用效率。
意义与影响
本文的贡献与意义主要体现在：
- 性能显著提升：大量实验表明，CAFD 在故障检测率（FDR） 上持续优于五种最先进的基线方法。在涉及ImageNet在内的三个数据集和不同DNN模型上，面对多种资源选择预算，其平均FDR提升了18.3%。
- 引入新型特征：提出的 CFR 特征被证明是DNN故障的有效指标，这为故障检测领域引入了一种利用外部知识（通过VLMs）来增强模型可靠性监控的新思路。
- 推动实用化发展：CAFD 在取得高性能的同时强调效率，为解决现有混合方法可扩展性不足的问题提供了可行路径，有助于推动故障检测技术从理论研究向实际应用的转化。
免责声明：以上内容由 AI 生成，仅供参考。