BayPrAnoMeta: Bayesian Proto-MAML-Variante verbessert Few-Shot-Fehlererkennung

Die Erkennung von Anomalien in industriellen Bilddaten bleibt eine große Herausforderung, weil defekte Muster selten sind und die Klassen stark unausgeglichen sind. Besonders in Szenarien mit nur wenigen gelabelten Beispielen ist die Aufgabe extrem schwierig.

Mit BayPrAnoMeta wird Proto‑MAML auf Bayesianische Prinzipien erweitert. Anstelle deterministischer Prototypen nutzt das Verfahren für jede Aufgabe ein probabilistisches Normalitätsmodell und führt die innere Anpassung über die Bayesianische Posterior‑Predictive‑Likelihood durch.

Die Normal‑Support‑Einbettungen werden mit einer Normal‑Inverse‑Wishart‑Prior modelliert, was zu einer Student‑t‑Verteilung für die Vorhersage führt. Diese heavy‑tailed, unsicherheitsbewusste Verteilung ermöglicht ein robustes Anomalie‑Scoring, das besonders in extremen Few‑Shot‑Szenarien stabil bleibt.

Darüber hinaus wird BayPrAnoMeta in ein federiertes Meta‑Learning‑Framework integriert. Durch supervised contrastive Regularisierung werden heterogene industrielle Clients einheitlich trainiert, und die Autoren zeigen konvergente Eigenschaften des nicht‑konvexen Zielobjekts.

Auf dem MVTec AD Benchmark erzielt BayPrAnoMeta konsistente und signifikante Verbesserungen der AUROC gegenüber klassischen MAML‑, Proto‑MAML‑ und PatchCore‑Methoden, was die Effektivität des Ansatzes in realen Few‑Shot‑Anomalie‑Erkennungsaufgaben unterstreicht.