💻 computer science

Continual-MEGA: A Large-scale Benchmark for Generalizable Continual Anomaly Detection

यह शोध पत्र Continual-MEGA को प्रस्तुत करता है, जो सामान्यीकरण योग्य निरंतर विसंगति का पता लगाने (generalizable continual anomaly detection) के लिए एक बड़े पैमाने का बेंचमार्क है, जिसमें एक विविध डेटासेट शामिल है जिसमें नया ContinualAD, एक नवीन ज़ीरो-शॉट सामान्यीकरण परिदृश्य, और एक एकीकृत बेसलाइन एल्गोरिदम शामिल है जो फ़्यू-शॉट डिटेक्शन और पिक्सेल-स्तरीय स्थानीयकरण दोनों में मौजूदा विधियों की तुलना में महत्वपूर्ण सुधार प्रदर्शित करता है।

मूल लेखक: Geonu Lee, Yujeong Oh, Geonhui Jang, Soyoung Lee, Jeonghyo Song, Sungmin Cha, YoungJoon Yoo

प्रकाशित 2026-02-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Geonu Lee, Yujeong Oh, Geonhui Jang, Soyoung Lee, Jeonghyo Song, Sungmin Cha, YoungJoon Yoo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल कारखाने के गुणवत्ता नियंत्रण (क्वालिटी कंट्रोल) प्रबंधक हैं जो टूथपेस्ट ट्यूब से लेकर खिलौना कारों तक सब कुछ बनाता है। आपका काम दोषों (defects) को पहचानना है: कार पर एक खरोंच, एक डिब्बे में डेंट, या कपड़े में एक छेद।

अतीत में, आप प्रत्येक उत्पाद के लिए एक विशेषज्ञ को काम पर रखते थे। यदि आप टूथपेस्ट बनाना शुरू करते, तो आप एक "टूथपेस्ट विशेषज्ञ" को काम पर रखते। यदि आप कारों का निर्माण करना शुरू करते, तो आप टूथपेस्ट विशेषज्ञ को हटा देते और एक "कार विशेषज्ञ" को काम पर रख लेते। यह धीमा, महंगा और बर्बादी भरा था।

यह शोध पत्र एक नए तरीके को पेश करता है जिससे एक एकल, सुपर-स्मार्ट एआई (AI) सहायक को प्रशिक्षित किया जा सकता है जो किसी भी उत्पाद पर दोषों को पहचानने के लिए सीख सकता है, एक के बाद एक, बिना पिछले उत्पादों की जांच करने की क्षमता को भूले। वे इसे "Continual-MEGA" कहते हैं।

यहाँ उनके कार्य का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "भूलने की बीमारी" वाला कारखाना (The "Amnesia" Factory)

वास्तविक दुनिया के कारखाने स्थिर नहीं रहते। हर दिन नए उत्पाद आते हैं।

पुराना तरीका: यदि आप हर बार नया उत्पाद आने पर अपने एआई को फिर से प्रशिक्षित करते हैं, तो वह अक्सर "विनाशकारी विस्मृति" (catastrophic forgetting) का शिकार हो जाता है। यह एक ऐसे छात्र की तरह है जिसने गणित की परीक्षा के लिए कड़ी मेहनत की, परीक्षा पास की, और फिर जैसे ही उसने इतिहास पढ़ना शुरू किया, वह गणित करना तुरंत भूल गया।
नई चुनौती: इससे भी बुरा क्या है, क्या होगा यदि कोई दोष ऐसे उत्पाद पर दिखाई दे जिसे एआई ने कभी नहीं देखा है? (जैसे, एक प्रकार की नई प्लास्टिक की बोतल)। एआई को इतना स्मार्ट होना चाहिए कि वह अनुमान लगा सके, "यह गलत लग रहा है," भले ही उसने पहले कभी उस विशिष्ट बोतल को न देखा हो। इसे जीरो-शॉट लर्निंग (Zero-Shot Learning) कहा जाता है।

2. समाधान: एआई के लिए एक नया "जिम" (Continual-MEGA)

यह परीक्षण करने के लिए कि क्या एआई वास्तव में यह कर सकता है, लेखकों ने Continual-MEGA नामक एक विशाल नया प्रशिक्षण मैदान बनाया।

पुराने जिम: पिछले परीक्षण कुछ प्रकार के उपकरणों वाले छोटे, शांत जिम (MVTec-AD जैसे डेटासेट) की तरह थे। वे बहुत आसान थे और वास्तविक कारखाने की अराजकता को नहीं दर्शाते थे।
नया जिम (Continual-MEGA): लेखकों ने एक विशाल, अराजक जिम बनाया। उन्होंने मौजूदा डेटासेट्स को एक नए डेटासेट के साथ जोड़ा जिसे उन्होंने ContinualAD नाम दिया।
- ContinualAD विशेष है क्योंकि यह विशाल और अव्यवस्थित है। 10 एक जैसी सेबों की आदर्श तस्वीरें लेने के बजाय, उन्होंने अलग-अलग रोशनी, अलग-अलग खरोंचों और यहाँ तक कि कुछ थोड़े सड़े हुए सेबों की तस्वीरें लीं। यह एआई को केवल एक विशिष्ट तस्वीर को याद करने के बजाय, एक "बुरे सेब" की अवधारणा (concept) सीखने के लिए मजबूर करता है।

3. परीक्षण: तीन परिदृश्य (Three Scenarios)

उन्होंने विभिन्न एआई मॉडलों को तीन अलग-अलग "बाधा दौड़" (obstacle courses) के माध्यम से परखा:

मैराथन (मानक निरंतर सीखना - Standard Continual Learning): एआई 85 प्रकार के उत्पादों की जांच करना सीखता है, और फिर उसे एक-एक करके 60 नए प्रकारों को सीखना होता है। क्या वह नए सीखते समय पहले के 85 को याद रख पाता है?
ब्लाइंड टेस्ट (जीरो-शॉट): नए उत्पादों को सीखने के बाद, एआई को एक ऐसा उत्पाद दिखाया जाता है जिसे उसने प्रशिक्षण के दौरान कभी नहीं देखा (जैसे, एक विशिष्ट प्रकार का चिकित्सा उपकरण)। क्या वह अभी भी दोष को पहचान सकता है?
तनाव परीक्षण (Stress Test): उन्होंने यह देखने के लिए "अव्यवस्थित" नए डेटासेट (ContinualAD) को हटा दिया कि क्या एआई अभी भी सामान्यीकरण (generalize) कर सकता है। अधिकांश एआई विफल रहे, जिससे सिद्ध हुआ कि अव्यवस्थित, विविध डेटा सीखना के लिए महत्वपूर्ण था।

4. विजेता: "स्विस आर्मी नाइफ" एआई

लेखकों ने कई मौजूदा एआई विधियों का परीक्षण किया, और अधिकांश संघर्ष करते रहे। वे सरल कार्यों पर अच्छा प्रदर्शन करते थे लेकिन जब कारखाना व्यस्त हो गया और नए, अजीब उत्पाद आए, तो वे बिखर गए।

उन्होंने अपनी स्वयं की विधि प्रस्तावित की, जिसे ADCT (Anomaly Detection across Continal Tasks) कहा जाता है। इस विधि को एक स्विस आर्मी नाइफ की तरह समझें:

आधार (Base): यह एक पूर्व-प्रशिक्षित मस्तिष्क (CLIP) का उपयोग करता है जो पहले से ही जानता है कि सामान्य रूप से "सामान्य" और "असामान्य" क्या दिखता है।
अटैचमेंट्स (Adapters): हर नए उत्पाद के लिए पूरे मस्तिष्क को फिर से बनाने के बजाय, यह बस प्रत्येक नए कार्य के लिए छोटे, हल्के अटैचमेंट (एडेप्टर) जोड़ देता है।
जादुई ट्रिक (Feature Synthesis): चूंकि उनके पास हर संभावित दोष की पर्याप्त तस्वीरें नहीं हैं, इसलिए एआई कल्पना करता है कि दोष कैसा दिखेगा, ऐसा करने के लिए वह इमेज फीचर्स में "शोर" (रैंडम स्टैटिक) जोड़ देता है। यह एक शेफ की तरह है जो सूप चखता है और कहता है, "यदि मैं इसमें एक चुटकी नमक डालूँ, तो यह ऐसा लगेगा," ताकि उन्हें रेसिपी सीखने के लिए हजारों अलग-अलग सूप बनाने की आवश्यकता न पड़े।

5. परिणाम

निर्णय: मौजूदा विधियाँ उन छात्रों की तरह हैं जो उत्तर रट लेते हैं; वे बदल जाने वाले परीक्षण में विफल हो जाते हैं। नया "स्विस आर्मी नाइफ" एआई विषय के सिद्धांतों को समझने वाले छात्र की तरह है।
मुख्य निष्कर्ष: जिस एआई ने "स्विस आर्मी नाइफ" दृष्टिकोण (हल्के एडेप्टर + दोषों की कल्पना करना) का उपयोग किया, वह सबसे स्थिर था। इसने पुराने उत्पादों को नहीं भुलाया, और यह उन उत्पादों पर भी दोषों को पहचानने में आश्चर्यजनक रूप से अच्छा था जिन्हें उसने पहले कभी नहीं देखा था।

सारांश

शोध पत्र कहता है: "हमने एक विशाल, यथार्थवादी प्रशिक्षण मैदान बनाया है जहाँ एआई पुराने उत्पादों को भूले बिना नए उत्पादों पर कारखाने के दोषों को पहचानना सीख सकता है। हमने पाया कि वर्तमान एआई बहुत कठोर है, लेकिन एक सरल विधि जो एक पूर्व-प्रशिक्षित मस्तिष्क को छोटे, लचीले एड-ऑन और थोड़ी 'कल्पना' के साथ जोड़ती है, सबसे अच्छा काम करती है।"

महत्वपूर्ण नोट: लेखकों ने सख्ती से इसका परीक्षण औद्योगिक वस्तुओं (खिलौने, भोजन, इलेक्ट्रॉनिक्स, कपड़े) पर किया है। उन्होंने यह दावा नहीं किया कि यह चिकित्सा निदान या मानव निगरानी के लिए काम करता है, और उन्होंने इस बात पर जोर दिया कि उनके डेटा में कोई व्यक्तिगत जानकारी शामिल नहीं है।

तकनीकी सारांश: Continual-MEGA: सामान्यीकरण योग्य निरंतर विसंगति पहचान के लिए एक बड़े पैमाने का बेंचमार्क

समस्या विवरण

विसंगति पहचान (Anomaly Detection - AD) विविध डोमेन में गुणवत्ता नियंत्रण के लिए महत्वपूर्ण है, फिर भी मौजूदा मॉडल गतिशील वास्तविक दुनिया के परिनियोजन परिदृश्यों में संघर्ष करते हैं। पारंपरिक दृष्टिकोण अक्सर स्थिर, अनसुपरवाइज्ड (unsupervised), या प्रति-वर्ग सेटिंग्स की धारणा रखते हैं, जो उन अनुक्रमिक कार्यों के अनुकूल होने में विफल रहते हैं जहाँ नई वस्तु श्रेणियाँ या दोष प्रकार उभरते हैं। प्रत्येक नए कार्य के लिए मॉडलों को शून्य से फिर से प्रशिक्षित करना कम्प्यूटेशनल रूप से महंगा है और डेटा प्रतिधारण नीतियों (data retention policies) तथा गोपनीयता नियमों के कारण अक्सर अव्यवहारिक होता है। इसके अलावा, विसंगति नमूनों की अत्यधिक दुर्लभता ऐतिहासिक दोष पैटर्न को पुन: एकत्र करना कठिन बना देती है, जिससे 'कैटास्ट्रोफिक फॉरगेटिंग' (catastrophic forgetting) की स्थिति उत्पन्न होती है।

जबकि हालिया निरंतर शिक्षण (Continual Learning - CL) और ज़ीरो-शॉट लर्निंग (Zero-Shot Learning - ZSL) की प्रगति संभावित समाधान प्रदान करती है, मौजूदा मूल्यांकन बेंचमार्क (जैसे, MVTec-AD, VisA) पैमाने और विविधता में सीमित हैं। वे निरंतर अनुकूलन (कंटीन्यूअल ज़ीरो-शॉट लर्निंग, या CZSL) के बाद अनदेखी श्रेणियों में सामान्यीकरण करने की मॉडल की क्षमता या वास्तविक औद्योगिक वातावरण में पाई जाने वाली उच्च भिन्नता को पर्याप्त रूप से नहीं परखते हैं। ऐसे बड़े पैमाने के बेंचमार्क की कमी है जो विसंगति पहचान प्रणालियों की सामान्यीकरण क्षमता और अनुकूलन क्षमता का कठोरता से मूल्यांकन करने के लिए विविध सार्वजनिक डेटासेट के साथ नई, उच्च-भिन्नता वाले डेटा को एकीकृत करते हों।

कार्यप्रणाली

Continual-MEGA बेंचमार्क

लेखक Continual-MEGA प्रस्तुत करते हैं, जो विसंगति पहचान में निरंतर और ज़ीरो-शॉट क्षमताओं का मूल्यांकन करने के लिए डिज़ाइन किया गया एक बड़े पैमाने का बेंचमार्क है। यह सात मौजूदा सार्वजनिक डेटासेट्स (MVTec-AD, VisA, Real-IAD, VIADUCT, BTAD, MPDD) को एक नए क्यूरेटेड डेटासेट, ContinualAD के साथ एकीकृत करता है।

ContinualAD डेटासेट:

पैमाना और विविधता: इसमें 30 वर्ग शामिल हैं जिनमें 14,655 सामान्य और 15,827 विसंगति चित्र हैं।
उच्च भिन्नता: पूर्ववर्ती डेटासेट्स के विपरीत, जहाँ एक वर्ग के भीतर चित्र दृश्य रूप से समान होते हैं, ContinualAD काफी उच्च पिक्सेल-स्तरीय भिन्नता प्रदर्शित करता है। यह 10 विभिन्न उपकरणों (स्मार्टफोन से लेकर टैबलेट तक) का उपयोग करके विविध स्थितियों में वस्तुओं को कैप्चर करके और विभिन्न दोष प्रकारों (दरारें, छेद, सड़न, खरोंच आदि) को प्रेरित करके प्राप्त किया गया है।
एनोटेशन: विसंगति क्षेत्रों को पॉलीगन मास्क का उपयोग करके पिक्सेल स्तर पर एनोटेट किया गया है।

मूल्यांकन परिदृश्य:
बेंचमार्क मॉडल प्रदर्शन के विभिन्न पहलुओं का परीक्षण करने के लिए तीन अलग-अलग परिदृश्य परिभाषित करता है:

परिदृश्य 1 (मानक CL): 85 बेस क्लास पर प्री-ट्रेनिंग, जिसके बाद 60 नई क्लास को क्रमिक वृद्धि (प्रत्येक कार्य में 5, 10, या 30 क्लास) में पेश किया जाता है।
परिदृश्य 2 (CZSL): 58 बेस क्लास (MVTec-AD और VisA को छोड़कर) पर प्री-ट्रेनिंग, जिसके बाद 60 नई क्लास पर निरंतर शिक्षण। ज़ीरो-शॉट सामान्यीकरण का मूल्यांकन होल्ड-आउट MVTec-AD और VisA डेटासेट्स पर किया जाता है।
परिदृश्य 3 (ContinualAD प्रभावशीलता): परिदृश्य 2 के समान, लेकिन विशेष रूप से ज़ीरो-शॉट सामान्यीकरण पर नए डेटासेट के प्रभाव को मापने के लिए प्रशिक्षण स्ट्रीम से ContinualAD डेटासेट को बाहर रखा गया है।

मेट्रिक्स:
प्रदर्शन को इमेज-लेवल AUROC और पिक्सेल-लेवल एवरेज प्रिसिजन (AP) पर आधारित औसत सटीकता (Average Accuracy - ACC) और पिछले कार्यों पर प्रदर्शन गिरावट को मापने के लिए एक फॉरगेटिंग मेजर (Forgetting Measure - FM) का उपयोग करके मापा जाता है।

प्रस्तावित बेसलाइन: ADCT

बेंचमार्क को संबोधित करने के लिए, लेखक एनामली डिटेक्शन अक्रॉस कॉन्टिनुअल टास्क (ADCT) नामक एक बेसलाइन विधि प्रस्तावित करते हैं, जो CLIP (कॉन्ट्रास्टिव लैंग्वेज-इमेज प्री-ट्रेनिंग) फ्रेमवर्क पर आधारित है। मुख्य घटक शामिल हैं:

मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) एडेप्टर: CLIP विजुअल एनकोडर के चार विशिष्ट ब्लॉक्स में हल्के MLP एडेप्टर डाले गए हैं। प्रत्येक कार्य (और बेस सेट) के लिए अलग-अलग एडेप्टर प्रशिक्षित किए जाते हैं। इन्फरेंस के दौरान, कार्यों के बीच ज्ञान बनाए रखने के लिए सभी एडेप्टर्स का औसत ( $A_{avg}$ ) उपयोग किया जाता है।
सिंथेटिक फीचर जनरेशन: डेटा की कमी को दूर करने और पिक्सेल-स्तरीय स्थानीयकरण में सुधार करने के लिए, विधि विजुअल फीचर्स को एडेप्टर्स के माध्यम से पास करने से पहले उनमें गाऊसी शोर (Gaussian noise) जोड़कर सिंथेटिक विसंगति फीचर्स उत्पन्न करती है। यह मॉडल को व्यापक वास्तविक विसंगति डेटा की आवश्यकता के बिना विविध विसंगति पैटर्न सीखने की अनुमति देता है।
टेक्स्ट प्रॉम्प्ट्स: सामान्य और असामान्य दोनों अवस्थाओं के लिए टेक्स्ट फीचर्स निकालने के लिए सामान्यीकृत टेक्स्ट प्रॉम्प्ट्स का उपयोग किया जाता है, जो ज़ीरो-शॉट क्षमताओं को सुगम बनाता है।

मुख्य योगदान

Continual-MEGA बेंचमार्क: एक नवीन, बड़े पैमाने के बेंचमार्क की प्रस्तुति जो मौजूदा सार्वजनिक डेटासेट्स को उच्च-भिन्नता वाले ContinualAD डेटासेट के साथ जोड़ता है, जो निरंतर AD अनुसंधान के लिए उपलब्ध डेटा की मात्रा और विविधता को महत्वपूर्ण रूप से बढ़ाता है।
व्यापक मूल्यांकन: विभिन्न अत्याधुनिक (SOTA) AD विधियों (VLM-आधारित, निरंतर शिक्षण-विशिष्ट, और केवल-सामान्य नमूना दृष्टिकोण सहित) का व्यापक मूल्यांकन यह प्रकट करता है कि पिक्सेल-स्तरीय दोष स्थानीयकरण और अनदेखी श्रेणियों में सामान्यीकरण क्षमता में सुधार की काफी गुंजाइश है।
ADCT बेसलाइन: एक सरल लेकिन प्रभावी बेसलाइन विधि का प्रस्ताव जो हल्के MoE-शैली के एडेप्टर और फीचर सिंथेसिस को जोड़ती है। यह दृष्टिकोण प्रदर्शित करता है कि प्री-ट्रेनड CLIP के व्यापक फाइन-ट्यूनिंग के बजाय न्यूनतम अनुकूलन, निरंतर और ज़ीरो-शॉट दोनों सेटिंग्स में मजबूत प्रदर्शन दे सकता है।

परिणाम

Continual-MEGA बेंचमार्क पर विस्तृत प्रयोग तीन प्राथमिक निष्कर्ष प्रदान करते हैं:

मौजूदा विधियों की सीमाएं: वर्तमान AD विधियां, विशेष रूप से पिक्सेल-स्तरीय स्थानीयकरण के मामले में, प्रस्तावित बड़े पैमाने के निरंतर सेटिंग्स के तहत मूल्यांकन किए जाने पर प्रदर्शन में भारी गिरावट दिखाती हैं। जो विधियां मानक बेंचमार्क (जैसे MVTec-AD) पर अच्छा प्रदर्शन करती हैं, वे अक्सर Continual-MEGA की विविध स्थितियों में विफल रहती हैं।
ContinualAD की प्रभावशीलता: प्रशिक्षण स्ट्रीम में ContinualAD डेटासेट को शामिल करने से (परिदृश्य 2 बनाम परिदृश्य 3) अधिकांश विधियों के लिए ज़ीरो-शॉट सामान्यीकरण प्रदर्शन में उल्लेखनीय सुधार होता है। इसके विपरीत, इसे बाहर करने से सामान्यीकरण में गिरावट आती है, जो मजबूत मॉडल के प्रशिक्षण के लिए इसके मूल्य को रेखांकित करता है।
ADCT की श्रेष्ठता: प्रस्तावित ADCT बेसलाइन अन्य विधियों की तुलना में सभी परिदृश्यों में समग्र रूप से बेहतर प्रदर्शन प्राप्त करती है। यह फॉरगेटिंग (FM) को कम करते हुए उच्च सटीकता बनाए रखती है। एब्लेशन अध्ययन पुष्टि करता है कि एडेप्टर, सिंथेटिक फीचर जनरेशन और मिक्सचर-ऑफ-एक्सपर्ट्स इन्फरेंस स्कीम का संयोजन स्थिरता और प्लास्टिसिटी (plasticity) को संतुलित करने के लिए महत्वपूर्ण है। विशेष रूप से, पिक्सेल-स्तरीय प्रदर्शन के लिए सिंथेटिक फीचर्स महत्वपूर्ण दिखाए गए हैं, जबकि MoE एडेप्टर रणनीति कैटास्ट्रोफिक फॉरगेटिंग को कम करने की कुंजी है।

महत्व और दावे

यह शोध पत्र यह दावा करता है कि Continual-MEGA विसंगति पहचान क्षेत्र के लिए एक नया एजेंडा स्थापित करता है, जो स्थिर बेंचमार्क मूल्यांकन और औद्योगिक परिनियोजन की गतिशील वास्तविकताओं के बीच के अंतर को संबोधित करता है। लेखक दावा करते हैं कि उनका कार्य उन मॉडलों की व्यावहारिक आवश्यकता को उजागर करता है जो पूरी तरह से अनदेखी श्रेणियों में सामान्यीकरण करते हुए नए कार्यों के प्रति क्रमिक रूप से अनुकूल हो सकते हैं (CZSL)।

प्रस्तावित बेसलाइन (ADCT) का महत्व इस बात के प्रदर्शन में निहित है कि हल्का अनुकूलन और फीचर सिंथेसिस का संयोजन सामान्यीकरण योग्य निरंतर फ्रेमवर्क डिजाइन करने के लिए एक आशाजनक दिशा है। परिणाम बताते हैं कि CLIP जैसे प्री-ट्रेनड मॉडल्स का अत्यधिक अनुकूलन या भारी मार्गदर्शन, पहले से देखी गई वस्तुओं पर ओवरफिटिंग का कारण बन सकता है, जबकि एक ऐसी रणनीति जो विविध विसंगति फीचर्स को सिंथेसाइज करते हुए प्री-ट्रेनड ज्ञान को संरक्षित करती है, अधिक स्थिर और सामान्यीकरण योग्य समाधान प्रदान करती है।

लेखक निष्कर्ष निकालते हैं कि उनका कार्य गतिशील वातावरण में डीप लर्निंग मॉडल्स को फिर से प्रशिक्षित करने से जुड़े कम्प्यूटेशनल लागत और कार्बन फुटप्रिंट को कम करके, विनिर्माण स्थिरता और पुनरुत्पादकता (reproducibility) में योगदान देता है, बिना व्यक्तिगत डेटा या निगरानी से संबंधित नैतिक जोखिमों को पेश किए।