Rarity-Gated Context Conditioning for Offline Imitation Learning-Based Maritime Anomaly Detection

Technisches Resümee: Rarity-Gated Context Conditioning für die Offline-Imitation-Learning-basierte maritime Anomalieerkennung

Problemstellung

Die kontextuelle Anomalieerkennung (Contextual Anomaly Detection, CAD) zielt darauf ab, abnormales Verhalten $b$ unter Berücksichtigung von Kontextvariablen $c$ (z. B. Umweltbedingungen) zu identifizieren. Die praktische Anwendung leidet jedoch häufig unter einem Frequenz-Bias (Frequency Bias): Die Kontextverteilungen sind hochgradig imbalanciert, wobei routinemäßige Kontexte reichlich vorhanden sind und seltene Kontexte (z. B. schwerer Sturm, extreme Betriebsbereiche) spärlich vorkommen.

Unter einer solchen Imbalanz neigen Standardmodelle mit Kontextabhängigkeit dazu, seltene Regime falsch zu handhaben. Da diese Regime in den Trainingsdaten unterrepräsentiert sind, können Modelle bei Begegnung mit ihnen instabile Entscheidungen treffen oder übermäßige Fehlalarme produzieren. Bestehende Minderungsstrategien, wie das „Back-off“ auf eine kontextunabhängige Baseline, wenn lokale Evidenz gering ist, schwächen seltene Kontexte effektiv ab. Dies ist kontraproduktiv, da seltene Kontexte oft sicherheitskritisch sind und eine sorgfältige statt einer verminderten kontextuellen Beeinflussung erfordern.

Methodik: Rarity-Gated FiLM (RGFiLM)

Die Autoren schlagen Rarity-Gated Feature-wise Linear Modulation (RGFiLM) vor, ein modulares Konditionierungsmodul, das reguliert, wie stark der Kontext die intermediären Repräsentationen basierend auf der Seltenheit der aktuellen Umgebung beeinflusst. Die Methode wird in eine sequentielle Anomalie-Scoring-Pipeline integriert, speziell implementiert innerhalb von OIL-AD (Offline Imitation Learning-based Anomaly Detection).

1. Kernarchitektur:
Der Ansatz operiert auf Trajektorien $\tau = \{(s_t, e_t, a_t)\}_{t=1}^T$, wobei $s_t$ der Zustand, $e_t$ der exogene Kontext (Umwelt) und $a_t$ die Aktion ist.

• Zustandsrepräsentation: Ein Sequenz-Encoder erzeugt einen latenten Zustand $h_t = f_{state}(s_{1:t})$.
• Kontextmodulation (FiLM): Ein Umwelt-Encoder bildet $e_t$ auf Skalierungs- ($\gamma_t$) und Verschiebungsparameter ($\beta_t$) ab, wodurch eine kontextmodulierte Repräsentation $\tilde{h}_t = \gamma_t \odot h_t + \beta_t$ entsteht.
• Extraktion der Seltenheit (Rarity Extraction): Ein Seltenheitswert $r_t \in [0, 1]$ wird aus der empirischen Verteilung einer Teilmenge von Umweltvariablen (z. B. Wellenhöhe, Windgeschwindigkeit) geschätzt. Die Autoren verwenden den Mahalanobis-Abstand des Umweltvektors vom Trainingsmittelwert, abgebildet durch eine Chi-Quadrat-kumulative Verteilungsfunktion (CDF).
• Rarity Gate: Die endgültige Repräsentation $h^*_t$ ist eine gewichtete Interpolation zwischen der ursprünglichen Repräsentation $h_t$ und der modulierten Repräsentation $\tilde{h}_t$:
  $$h^*_t = w_t \tilde{h}_t + (1 - w_t) h_t$$
  Das Gating-Gewicht $w_t$ wird aus einem kleinen neuronalen Netzwerk $g$ abgeleitet, das $[e_t, r_t]$ als Eingabe erhält. Entscheidend ist, dass der Netzwerkausgang durch einen Temperaturfaktor abhängig von $r_t$ skaliert wird: $\tilde{s}_t = s_t(1 + \kappa r_t)/\tau$.
  • Verhalten: Unter seltenen Kontexten (hohes $r_t$) wird das Gate „entscheidungsfreudiger“ (schärferes Sigmoid), was eine starke Präferenz für entweder die modulierte oder die ursprüngliche Repräsentation erzwingt. Unter häufigen Kontexten (niedriges $r_t$) bleibt das Gate „konservativ“ (weichere Mischung), was verhindert, dass das Modell sich zu stark auf extreme Kontexteffekt verlassen kann, in denen Daten reichlich vorhanden sind.

2. Integration:
RGFiLM ersetzt die Standard-Zustandsrepräsentation im OIL-AD-Framework. Das Modell wird auf normalen Trajektorien trainiert, um eine Policy $\pi(a_t | s_t, e_t)$ zu erlernen. Anomalien werden als Abweichungen in den Entscheidungらsequenzen erkannt (geringe Likelihood der beobachteten Aktionen gegeben den seltenheitskalibrierten Zustand).

Wesentliche Beiträge

1. Identifizierung des Frequenz-Bias: Die Arbeit identifiziert explizit, dass die symmetrische Behandlung aller Kontexte in imbalancierten Verteilungen zu Fehlalarmen in seltenen, sicherheitskritischen Regimen führt.
2. Seltenheitsbewusster Konditionierungsmechanismus: Der Vorschlag von RGFiLM, das zwischen kontextunabhängigen und kontextmodulierten Repräsentationen unter Verwendung eines seltenheitsabhängigen Gates interpoliert. Im Gegensatz zu früheren „Back-off“-Methoden gewichtet RGFiLM seltene Kontexte nicht ab, sondern kalibriert die Stärke ihres Einflusses.
3. Empirische Validierung: Demonstration der Methode in einem maritimen Trajektorien-Anomalieerkennungsszenario unter Verwendung von AIS-Bewegungssequenzen und ERA5-Umweltdaten.

Experimentelle Ergebnisse

Die Methode wurde in einem Detour-Szenario (Umweg-Szenario) in der Bass Strait Region (Australien) evaluiert, in dem synthetische laterale Umwege in normale Trajektorien injiziert wurden. Ziel war es, diese Abweichungen zu erkennen und gleichzeitig sie von umweltbedingten Routenänderungen zu unterscheiden.

• Leistungsmetriken: Evaluierung über 20 Durchläufe mittels Precision, Recall, F1-Score und False Positive Rate (FPR).
• Vergleiche: RGFiLM wurde verglichen mit:
  • Kontextunabhängigem OIL-AD.
  • OIL-AD mit naiver Konkatenierung.
  • OIL-AD mit Standard-FiLM.
  • OIL-AD mit einem lernbaren Gate, aber oh-ne Seltenheitsbewusstsein.
  • Externen Baselines: ROCOD und CAD für MTS.
• Ergebnisse:
  • RGFiLM erreichte den besten mittleren F1–FPR-Trade-off, mit dem höchsten mittleren F1 (0,595) und der niedrigsten mittleren FPR (0,097).
  • Im Vergleich zur Standard-FiLM-Baseline verbesserte RGFiLM den F1-Wert (0,577 $\to$ 0,595) und den Recall, während es eine vergleichbare FPR beibehielt.
  • Im Vergleich zur „Gated FiLM (ohne Seltenheit)“-Ablation reduzierte RGFiLM die FPR signifikant (0,108 $\to$ 0,097) bei gleichzeitiger Verbesserung des F1-Werts, was den Nutzen des Seltenheitswertes isoliert.
  • Seltenheits-Stratifizierung: Bei der Analyse der Leistung nach Umwelt-Seltenheit (oberste 20 % seltene vs. unterste 80 % häufige) behielt RGFiLM in beiden Regimen den höchsten F1 und die niedrigste FPR bei. Der Leistungszuwachs gegenüber Standard-FiLM war im seltenen Regime ausgeprägter.

Bedeutung und Ansprüche

Die Arbeit behauptet, dass die explizite Berücksichtigung der Kontext-Seltenheit ein effektiver Ansatz zur Reduzierung von Fehlalarmen in kontextsensitiver Anomalieerkennung ist. Durch die Abhängigkeit der Modulationsstärke von einem datengesteuerten Seltenheitswert mildert RGFiLM den Frequenz-Bias, ohne kritische Informationen aus seltenen Regimen zu verwerfen.

Die Autoren merken an, dass ihre Evaluierung auf der Injektion synthetischer Umwege mit fester Magnitude beruht, was die volle Diversität realer Anomalien möglicherweise nicht abdeckt. Zudem hängt die Schätzung der Seltenheit von der empirischen Kontextverteilung ab und könnte sensitiv gegenüber Domain Shifts sein. Zukünftige Arbeiten schlagen vor, den Ansatz auf breitere Anomalietypen und Betriebszeiträume auszuweiten. Die Studie kommt zu dem Schluss, dass eine seltenheitsbewusste Konditionierung die Robustheit in der sequentiellen entscheidungsbasierten Anomalieerkennung verbessert, insbesondere in sicherheitskritischen maritimen Umgebungen.