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

Resumen Técnico: Condicionamiento de Contexto con Compuerta de Rareza para la Detección de Anomalías Marítimas Basada en Aprendizaje de Imitación Offline

Planteamiento del Problema

La detección de anomalías contextuales (CAD) tiene como objetivo identificar comportamientos anormales $b$ condicionados a variables de contexto $c$ (por ejemplo, condiciones ambientales). Sin embargo, los despliegues prácticos suelen sufrir de un sesgo de frecuencia: las distribuciones de contexto están altamente desequilibradas, con contextos rutinarios abundantes y contextos raros (por ejemplo, clima severo, regímenes operativos extremos) escasos.

Bajo dicho desequilibrio, los modelos estándar condicionados por contexto tienden a gestionar erróneamente los regímenes raros. Debido a que estos regímenes están subrepresentados en los datos de entrenamiento, los modelos pueden producir decisiones inestables o un exceso de falsas alarmas al encontrarse con ellos. Las estrategias de mitigación existentes, como el "retroceso" (backing off) hacia una base agnóstica al contexto cuando la evidencia local es escasa, efectivamente penalizan los contextos raros. Esto es contraproducente, ya que los contextos raros suelen ser críticos para la seguridad y requieren una influencia contextual cuidadosa, en lugar de una disminuida.

Metodología: RGFiLM (Rarity-Gated FiLM)

Los autores proponen el Modulación Lineal por Características con Compuerta de Rareza (RGFiLM), un módulo de condicionamiento modular diseñado para regular qué tan fuertemente influye el contexto en las representaciones intermedias basándose en la rareza del entorno actual. El método se integra en un flujo de puntuación de anomalías secuencial, específicamente instanciado dentro de OIL-AD (Detección de Anomalías basada en Aprendizaje de Imitación Offline).

1. Arquitectura Central:
El enfoque opera sobre trayectorias $\tau = \{(s_t, e_t, a_t)\}_{t=1}^T$, donde $s_t$ es el estado, $e_t$ es el contexto exógeno (entorno) y $a_t$ es la acción.

• Representación de Estado: Un codificador de secuencia produce un estado latente $h_t = f_{state}(s_{1:t})$.
• Modulación de Contexto (FiM): Un codificador de entorno mapea $e_t$ a parámetros de escala ($\gamma_t$) y desplazamiento ($\beta_t$), creando una representación modulada por el contexto $\tilde{h}_t = \gamma_t \odot h_t + \beta_t$.
• Extracción de Rareza: Se estima una puntuación de rareza $r_t \in [0, 1]$ a partir de la distribución empírica de un subconjunto de variables ambientales (por ejemplo, altura de ola, velocidad del viento). Los autores utilizan la distancia de Mahalanobis del vector ambiental respecto a la media de entrenamiento, mapeada a través de una función de distribución acumulativa (CDF) de Chi-cuadrado.
• Compuerta de Rareza (Rarity Gate): La representación final $h^*_t$ es una interpolación ponderada entre la representación original $h_t$ y la modulada $\tilde{h}_t$:
  $$h^*_t = w_t \tilde{h}_t + (1 - w_t) h_t$$
  El peso de la compuerta $w_t$ se deriva de una pequeña red neuronal $g$ que toma $[e_t, r_t]$ como entrada. Crucialmente, la salida de la red se escala mediante un factor de temperatura dependiente de $r_t$: $\tilde{s}_t = s_t(1 + \kappa r_t)/\tau$.
  • Comportamiento: Bajo contextos raros (alto $r_t$), la compuerta se vuelve "decisiva" (sigmoide más nítida), forzando una preferencia fuerte por la representación modulada o la original. Bajo contextos frecuentes (bajo $r_t$), la compuerta permanece "conservadora" (mezcla más suave), evitando que el modelo dependa excesivamente de efectos de contexto extremos donde los datos son abundantes.

2. Integración:
RGFiLM reemplaza la representación de estado estándar en el marco de trabajo de OIL-AD. El modelo se entrena en trayectorias normales para aprender una política $\pi(a_t | s_t, e_t)$. Las anomalías se detectan como desviaciones en las secuencias de decisiones (baja probabilidad de acciones observadas dado el estado calibrado por la rareza).

Contribuciones Clave

1. Identificación del Sesgo de Frecuencia: El artículo identifica explícitamente que tratar todos los contextos de manera simétrica en distribuciones desequilibradas conduce a falsas alarmas en regímenes raros y críticos para la seguridad.
2. Mecanismo de Condicionamiento Consciente de la Rareza: La propuesta de RGFiLM, que interpola entre representaciones agnósticas al contexto y moduladas por el contexto utilizando una compuerta dependiente de la rareza. A diferencia de los métodos de "retroceso" previos, RGFiLM no disminuye el peso de los contextos raros, sino que calibra la fuerza de su influencia.
3. Validación Empírica: Demostración del método en un entorno de detección de anomalías de trayectoria marítima utilizando secuencias de movimiento AIS y datos ambientales de ERA5.

Resultados Experimentales

El método fue evaluado en un escenario de desvío en la región de Bass Strait (Australia), donde se inyectaron desvíos laterales sintéticos en trayectorias normales. El objetivo era detectar estas desviaciones mientras se distinguían de los cambios de ruta inducidos por el entorno.

• Métricas de Desempeño: Evaluado sobre 20 ejecuciones utilizando Precisión, Recall, F1-score y Tasa de Falsos Positivos (FPR).
• Comparaciones: RGFiLM se comparó contra:
  • OIL-AD agnóstico al contexto.
  • OIL-AD con concatenación ingenua.
  • OIL-AD con FiLM estándar.
  • OIL-AD con una compuerta aprendible pero sin conciencia de la rareza.
  • Baselines externos: ROCOD y CAD para MTS.
• Hallazgos:
  • RGFiLm logró el mejor equilibrio medio F1–FPR, obteniendo el F1 medio más alto (0.595) y el FPR medio más bajo (0.097).
  • Comparado con el baseline de FiLM estándar, RGFiLM mejoró el F1 (0.577 $\to$ 0.595) y el Recall manteniendo un FPR comparable.
  • Comparado con la ablación "Gated FiLM (sin rareza)", RGFiLM redujo significativamente el FPR (0.108 $\to$ 0.097) mientras mejoraba el F1, aislando el beneficio de la puntuación de rareza.
  • Estratificación por Rareza: Al analizar el desempeño por la rareza del entorno (el 20% superior de contextos raros frente al 80% inferior de contextos frecuentes), RGFiLM mantuvo el F1 más alto y el FPR más bajo en ambos regímenes. La ganancia de rendimiento sobre el FiLM estándar fue más pronunciada en el régimen raro.

Significancia y Reivindicaciones

El artículo sostiene que contar explícitamente con la rareza del contexto es un enfoque efectivo para reducir las falsas alarmas en la detección de anomalías sensible al contexto. Al hacer que la fuerza de la modulación dependa de una puntuación de rareza basada en datos, RGFiLM mitiga el sesgo de frecuencia sin descartar información crítica de los regímenes raros.

Los autores señalan que su evaluación se basa en la inyección de desvíos sintéticos con magnitud fija, lo que puede no cubrir toda la diversidad de las anomalías del mundo real. Además, la estimación de la rareza depende de la distribución de contexto empírica y podría ser sensible a cambios de dominio. Se sugiere como trabajo futuro extender este enfoque a tipos de anomalías y periodos operativos más amplios. El estudio concluye que el condicionamiento consciente de la rareza mejora la robustez en la detección de anomalías basada en decisiones secuenciales, particularmente en entornos marítimos críticos para la seguridad.