参数高效的多类智能调度用于多模态在线分布式工业异常检测

背景与问题

工业异常检测是工业系统中的一项基础性挑战，正随着异构工业传感器的发展从单模态向多模态范式演进。然而，现有方法主要为集中式和离线环境设计，忽略了真实工业环境中数据分布式且持续生成的特性。边缘智能的发展使得现代边缘设备不仅能够进行数据采集，还能进行分布式模型训练，从而实现系统的协同智能，工业异常检测是此背景下的一个关键应用。

核心内容

文章提出的MODIAD框架旨在解决上述挑战，其核心内容包含以下三个关键技术：

1. 系统工作流与问题建模：首先提出了一套完整的MODIAD工作流，并将其建模为一个多类智能调度（MIS）问题。该问题通过平衡数据充足性与类别更新频率来协调跨类别的模型更新。
2. 算法求解：为了高效解决MIS问题，设计了一种顺序边际增益贪心（SMG）算法。该算法能够在资源约束下实现有效的多类别模型训练。
3. 效率优化：为提升训练过程中的计算和通信效率，提出了一种资源高效类内低秩自适应（REC-LoRA）策略。该策略在保持检测性能的同时，显著降低了系统开销。

意义与影响

1. 场景适用性：框架直接面向在线分布式的真实工业环境，弥补了传统集中式方法的不足，推动了异常检测技术向更贴近实际部署的方向发展。
2. 性能与效率的平衡：通过SMG算法和REC-LoRA策略，实现了在资源受限条件下，对多模态工业数据进行高效、持续的学习与更新。
3. 有效性验证：在MVTec 3D-AD和Eyecandies两个代表性的多模态工业异常检测数据集上进行的广泛实验，证明了该方法在所提场景下具有优越的性能和效率。