LyndHub
Jadwal Sholat

Memuat jadwal sholat…

← Semua jurnalIndeks pencarian

Editorial Ilmu Komputer & AI

Open AccessOA2026

EvoSherlock: Menuju Evolusi Sepanjang Hayat Agentic untuk Peristiwa Kritis Keamanan Berekor Panjang yang Belum Terlihat dalam Video

Kerangka agentic yang diperkuat kausal untuk klasifikasi berkelanjutan dan pelokalan temporal peristiwa kritis keamanan yang muncul dari sampel langka
Zixin Fan; Jiahong Lu; Changsheng Zheng; Yu Hong; Jingjing Wang· 2026· DOI 10.48550/arXiv.2609.19201

Masalah inti

Sistem Security-oriented Video Understanding (SVU) yang ada beroperasi di bawah **asumsi dunia tertutup**: himpunan kategori statis, label melimpah, dan semua jenis peristiwa diketahui sebelumnya. Peristiwa kritis keamanan di dunia nyata melanggar asumsi ini—peristiwa tersebut mengikuti distribusi berekor panjang, jenis baru muncul terus-menerus, dan peristiwa kritis mungkin hanya menawarkan beberapa sampel. Makalah ini merumuskan kesenjangan tersebut sebagai **Lifelong Evolving Task for Long-Tailed Security-Critical Events in Videos (L²-SCE)**, yang menuntut VLM untuk terus mengklasifikasikan dan melokalkan secara temporal peristiwa kritis keamanan yang baru muncul dari sampel langka tanpa melupakan peristiwa yang telah dipelajari sebelumnya. L²-SCE mengungkap dua tantangan kritis: (1) **Kelangkaan Intra-Peristiwa**, di mana kelangkaan data yang ekstrem melemahkan baik klasifikasi maupun pelokalan temporal untuk peristiwa baru, dan (2) **Interferensi Antar-Peristiwa**, di mana keterkaitan fitur lintas peristiwa dan pergeseran representasi memperkuat catastrophic forgetting. Untuk mengatasinya, penulis mengusulkan **EvoSherlock**, pendekatan yang diperkuat kausal yang diorkestrasi

Inovasi

Eksperimen ekstensif pada benchmark L²-SCE yang dibangun menunjukkan bahwa EvoSherlock mengungguli beberapa baseline canggih dalam klasifikasi dan pelokalan temporal peristiwa kritis keamanan yang muncul dari sampel langka. Benchmark tersebut mensimulasikan kondisi inkremental dunia nyata, di mana jenis peristiwa baru muncul secara berurutan dengan anotasi terbatas. Temuan kuantitatif utama meliputi:

- **Akurasi klasifikasi** pada peristiwa yang baru muncul meningkat secara signifikan dibandingkan metode sebelumnya, yang memvalidasi efektivitas CVG dalam mengatasi kelangkaan intra-peristiwa.
- **Pelokalan temporal** (misalnya, mean Average Precision) juga menunjukkan perolehan yang konsisten, yang menunjukkan bahwa sampel kausal yang dihasilkan meningkatkan landasan temporal.
- **Mitigasi lupa**: EvoSherlock menunjukkan degradasi backward transfer yang lebih rendah, yang mengonfirmasi bahwa CDA mengurangi interferensi antar-peristiwa dan catastrophic forgetting.

Kontrol loop tertutup yang reflektif diri dari pengendali agentic lebih lanjut menstabilkan kinerja di seluruh langkah inkremental. Hasil ini membenarkan pentingnya tugas L²-SCE dan efektivitas pendekatan agentic yang dip

Sistem Security-oriented Video Understanding (SVU) yang ada beroperasi di bawah **asumsi dunia tertutup**: himpunan kategori statis, label melimpah, dan semua jenis peristiwa diketahui sebelumnya. Peristiwa kritis keamanan di dunia nyata melanggar asumsi ini—peristiwa tersebut mengikuti distribusi berekor panjang, jenis baru muncul terus-menerus, dan peristiwa kritis mungkin hanya menawarkan beberapa sampel. Makalah ini merumuskan kesenjangan tersebut sebagai **Lifelong Evolving Task for Long-Tailed Security-Critical Events in Videos (L²-SCE)**, yang menuntut VLM untuk terus mengklasifikasikan dan melokalkan secara temporal peristiwa kritis keamanan yang baru muncul dari sampel langka tanpa melupakan peristiwa yang telah dipelajari sebelumnya. L²-SCE mengungkap dua tantangan kritis: (1) **Kelangkaan Intra-Peristiwa**, di mana kelangkaan data yang ekstrem melemahkan baik klasifikasi maupun pelokalan temporal untuk peristiwa baru, dan (2) **Interferensi Antar-Peristiwa**, di mana keterkaitan fitur lintas peristiwa dan pergeseran representasi memperkuat catastrophic forgetting. Untuk mengatasinya, penulis mengusulkan **EvoSherlock**, pendekatan yang diperkuat kausal yang diorkestrasi secara end-to-end oleh **Agentic Controller** dengan kontrol loop tertutup yang reflektif diri, terdiri dari dua modul inti: modul Intra-Peristiwa **Causal Video Generation (CVG)** dan modul Antar-Peristiwa **Causal Decoupling and Alignment (CDA)**. Dataset L²-SCE khusus mensimulasikan kondisi inkremental dunia nyata, dan eksperimen ekstensif menunjukkan keunggulan EvoSherlock dibandingkan baseline canggih, yang membenarkan pentingnya tugas ini dan efektivitas metode ini.
EvoSherlock diorkestrasi secara end-to-end oleh **Agentic Controller** dengan kontrol loop tertutup yang reflektif diri. Pengendali tersebut secara dinamis mengoordinasikan dua modul kausal:

Mengapa penting

Tugas L²-SCE mengungkap keterbatasan mendasar sistem SVU dunia tertutup. Dengan merumuskan peristiwa kritis keamanan berekor panjang yang berevolusi sepanjang hayat, makalah ini menyoroti dua tantangan yang saling terkait: kelangkaan intra-peristiwa dan interferensi antar-peristiwa. Desain agentic yang diperkuat kausal dari EvoSherlock secara langsung mengatasi hal ini melalui CVG dan CDA, yang diorkestrasi oleh pengendali yang reflektif diri. Penggunaan pembangkitan kausal untuk peristiwa langka adalah arah yang menjanjikan untuk pemahaman video few-shot, sementara pemisahan dan penyelarasan kausal menawarkan cara yang berprinsip untuk mengurangi catastrophic forgetting. Benchmark yang dibangun menyediakan testbed yang realistis untuk penelitian di masa depan. Namun, pendekatan ini mungkin menghadapi tantangan skalabilitas seiring bertambahnya jumlah jenis peristiwa, dan biaya komputasi dari loop agentic dapat menjadi perhatian. Pekerjaan di masa depan dapat mengeksplorasi kebijakan pengendali yang lebih efisien dan memperluas kerangka kerja ke sinyal keamanan multimodal. Secara keseluruhan, EvoSherlock merupakan langkah signifikan menuju pemahaman video keamanan sepanjang hayat dan dunia terbuka.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…