多模态在线分布式工业异常检测：参数高效的多类智能调度新框架
工业异常检测是工业系统安全运行的核心挑战之一。随着异构工业传感器的快速发展，工业异常检测已从单模态走向多模态。然而，现有方法大多针对集中式和离线场景设计，忽视了真实工业环境中数据分布式、持续生成的特点。为此，研究者提出了 多模态在线分布式工业异常检测（MODIAD） 框架，并针对其中跨类别模型更新的协调问题，设计了 多类智能调度（MIS） 方案，通过 序贯边际增益贪心（SMG） 算法在资源约束下实现高效的多类训练。同时，为降低训练过程中的计算与通信开销，还引入了 资源高效类级低秩自适应（REC-LoRA） 策略，在保持检测性能的前提下显著减少系统开销。在 MVTec 3D-AD 和 Eyecandies 两个代表性多模态工业异常检测数据集上的实验表明，该方案在 MODIAD 场景下取得了优越的性能和效率。
背景与问题
工业异常检测传统上依赖集中式服务器处理所有数据，但在实际产线中，数据往往由分布在不同地点的边缘设备持续产生。边缘智能的发展使得这些设备不仅能够采集数据，还能参与分布式模型训练，形成协同智能。然而，多模态数据（如 3D 点云与 RGB 图像）的融合、多类别产品的异质性以及在线学习的动态性，给分布式训练带来了新的挑战。
核心方法
多类智能调度（MIS）
在分布式环境中，不同类别的产品（如不同型号的零件）可能具有不同的数据量和异常模式。MIS 问题旨在通过平衡数据充足性和类别更新频率，协调跨类别的模型更新。SMG 算法通过贪心策略逐步选择最优的类别进行训练，在有限资源下最大化整体检测性能。
资源高效类级低秩自适应（REC-LoRA）
为降低分布式训练中的通信与计算开销，REC-LoRA 借鉴了 LoRA 的思想，但针对多类别场景进行了改进。它允许每个类别独立学习低秩适配矩阵，而非更新整个模型参数，从而大幅减少传输数据量。同时，通过类级参数共享和结构化稀疏，进一步提升了资源效率。
实验验证
研究者在 MVTec 3D-AD 和 Eyecandies 数据集上进行了评估。MVTec 3D-AD 包含多种工业产品的 3D 点云与 RGB 图像，Eyecandies 则提供合成糖果产品的多模态数据。实验对比了多种基线方法，包括集中式训练、独立训练以及传统分布式训练。结果显示：
- 检测性能：MODIAD 在多数类别上达到了最优的 AUC 和 F1 分数，特别是在数据分布不均的场景下优势明显。
- 通信效率：REC-LoRA 将通信量降低至全参数更新的 10% 以下，同时保持检测精度几乎无损。
- 训练效率：SMG 调度策略使得模型收敛速度提升约 30%，且对资源消耗更少。
意义与展望
这项工作为工业异常检测走向边缘分布式部署提供了切实可行的技术路径。未来，随着工业物联网的普及，类似 MODIAD 的框架有望在实时质检、预测性维护等场景中发挥关键作用。研究者也指出，当前方法在类别数量极大时的调度开销仍需优化，且对非独立同分布数据的鲁棒性有待进一步验证。