ICML 2026論文：異常動画なしで監視AIを学習——文章を時系列映像の代わりに使うTD-VAD

結論から言うと、事故や暴力など集めにくい異常動画を学習に使わず、文章から動画の異常検知AIを訓練する方法が示された。2026年8月12日にarXivへ公開され、機械学習国際会議ICML 2026に採択された論文で、研究チームはTD-VAD（Text-Driven Video Anomaly Detection）を提案した。

従来の動画異常検知は映像データを前提にすることが多いが、異常は発生頻度が低く、種類も幅広いため、十分な注釈付き動画を集めにくい。TD-VADは、LLMが生成した時間の流れを持つ異常事象の説明文を、動画のような系列として学習に使う。文章なら異常の種類を表すラベルも直接付けやすい。長い流れと短い変化の両方を捉えるため、出来事の因果関係を時間方向に追う注意機構も組み込んだ。

実際の判定時には、固定したCLIPのエンコーダーで動画の各フレームを数値化し、文章で学んだ表現と対応させる。大規模な異常動画データセットXD-ViolenceとUCF-Crimeで試し、1種類だけを学ぶ従来法や教師なし手法を大きく上回ったと著者らは報告した。店舗や工場などで、現実の危険映像を大量に集める負担を抑える研究につながる。

ただし要旨には具体的な改善幅がなく、LLMが作る説明の偏りや、文章と現実映像の差が残る。監視用途は誤検知や見逃しに加え、プライバシーや運用ルールも重要で、人の確認なしに処分や通報を決める用途へ直結させるべきではない。