Resumen Técnico: IBAD – Detección de Anomalías de Comportamiento Interpretable en Datos de Movilidad Humana

Definición del Problema

Los datos de movilidad humana exhiben una alta variabilidad, sin embargo, gran parte del movimiento diario de un individuo sigue patrones de comportamiento estructurados y recurrentes (por ejemplo, desplazamientos al trabajo, rutinas escolares, recados). Los métodos tradicionales de detección de anomalías suelen centrarse en desviaciones en ubicaciones, marcas de tiempo o formas de trayectoria específicas. No obstante, estos enfoques pueden fallar al detectar "anomalías de comportamiento", donde una persona visita lugares familiares pero en un orden o combinación inconsistente con su repertorio histórico (por ejemplo, un trabajador que muestra un patrón de múltiples paradas a altas horas de la noche).

El artículo define el problema de la detección de anomalías de comportamiento a nivel de día: identificar días donde el patrón de actividad general de un individuo no puede explicarse plausiblemente mediante una mezcla de sus plantillas de comportamiento históricas establecidas. El objetivo es distinguir la variabilidad natural (recombinación de plantillas familiares) de los cambios de comportamiento genuinos.

Metodología: El Marco de Trabajo IBAD

El marco propuesto, IBAD (Interpretable Behavioral Anomaly Detection), opera en dos etapas principales: Descubrimiento de Plantillas de Comportamiento y Puntuación de Anomalías Jerárquica Auto-supervisada.

1. Descubrimiento de Plantillas de Comportamiento (No supervisado)

Antes de detectar anomalías, el sistema aprende un vocabulario compartido de arquetipos de comportamiento diario.

• Representación de Datos: Los registros de movilidad brutos se transforman en líneas de tiempo de actividad diaria de longitud fija, divididas en intervalos de tiempo discretos. Cada intervalo se tokeniza como una actividad con marca de tiempo (por ejemplo, "08:00-Trabajo").
• Modelado de Temas: Los autores emplean Asignación Latente de Dirichlet (LDA) para tratar las líneas de tiempo de actividad diaria como "documentos" y las plantillas de comportamiento como "temas latentes".
  • Plantillas ($\mathcal{T}$): Un conjunto de $K$ patrones diarios prototípicos (por ejemplo, una jornada laboral de 9 a 5, un día de ocio de fin de semana) aprendidos del corpus.
  • Mezclas ($\theta$): Cada día individual se representa no como una única plantilla, sino como una distribución de probabilidad suave (mezcla) sobre estas $K$ plantillas.
• Resultado: Esto produce un resumen compacto e interpretable del comportamiento diario donde un día se define por su combinación ponderada de arquetipos globales.

2. Arquitectura IBAD (Modelo Jerárquico Auto-supervisado)

IBAD aprende a predecir la mezcla de plantillas esperada para un día objetivo basándose en su trayectoria histórica.

• Incrustación de Visita (Visit Embedding): Las visitas individuales se codifican utilizando incrustaciones aprendibles para la identidad del agente, tiempos de llegada/salida (vía Time2Vec) y categorías de actividad.
• Representación Diaria: Un codificador Transformer bidireccional procesa la secuencia de visitas dentro de un solo día. Un token [CLS] aprendible agrega estas visitas en un vector diario de tamaño fijo ($z_d$), capturando dependencias intradía y ponderando las actividades dominantes.
• Predicción Condicionada por la Historia: Un mecanismo de atención cruzada causal predice la mezcla de plantillas ($\hat{\theta}_d$) para un día objetivo.
  • La consulta (query) se deriva de la marca de tiempo del día objetivo.
  • Las claves (keys) y valores (values) se derivan de los vectores diarios previos del agente ($z_{d'}$ donde $d' < d$).
  • Esto permite al modelo tener en cuenta los intervalos de observación irregulares y la deriva temporal.
• Objetivo de Entrenamiento: El modelo se entrena para minimizar la divergencia de Kullback-Leibler (KL) entre la mezcla observada (derivada del paso de LDA) y la mezcla predicha (derivada de la historia del agente).
• Puntuación de Anomalía: Durante la inferencia, la puntuación de anomalía para un día es la divergencia KL entre la mezcla observada y la predicción del modelo. Una divergencia alta indica que el comportamiento del día es inconsistente con el repertorio histórico del agente.

3. Estrategia de Evaluación Comparativa (Benchmarking)

Dado que las etiquetas de anomalía de comportamiento de verdad fundamental son escasas, los autores introducen un Benchmark de Empalme (Splicing Benchmark):

• Empalme Intra-agente: Reemplaza un día con otro día del mismo agente (por ejemplo, intercambiar un día laborable por un fin de semana) para simular desviaciones de la rutina dentro de la misma persona.
• Empalme Inter-agente: Reemplaza un día con uno de un agente diferente para simular desajustes de comportamiento entre personas.
• Combinado: Una mezcla de ambas estrategias.
• Filtrado: Las sustituciones solo se aceptan si la divergencia de Jensen-Shannon entre el día original y el día inyectado supera un umbral, asegurando cambios de comportamiento significativos.

Principales Contribuciones

1. Nuevo Paradigma de Comportamiento: Cambia el enfoque de la detección de anomalías de las desviaciones espaciales o temporales rígidas hacia mezclas de plantillas de comportamiento. Las anomalías se definen como días donde el patrón de actividad general no puede ser explicado por la mezcla de la rutina establecida del individuo.
2. Descubrimiento de Plantillas de Comportamiento: Demuestra que la movilidad diaria se descompone en un pequeño conjunto de plantillas interpretables usando LDA no supervisado. El marco IBAD propuesto califica los días basándose en su desviación de la mezcla de plantillas predicha.
3. Nuevos Benchmarks:
   • Un benchmark Geolife con etiquetas semánticas, que mapea los puntos de estancia de GPS brutos a categorías de actividad usando OpenStreetMap y LLMs.
   • Un protocolo de empalme para evaluar la detección de anomalías de comportamiento sin etiquetas de verdad fundamental, cubriendo desajustes intra-persona, inter-persona y combinados.
4. Robustez y Transferibilidad: Los experimentos muestran que las plantillas aprendidas en un conjunto de datos (ej. NHTS) capturan arquetipos de comportamiento universales que se transfieren a contextos geográficos y demográficos distintos (ej. Geolife, datos sintéticos).

Resultados Experimentales

El artículo evalúa IBAD en conjuntos de datos reales (NHTS 2017, Geolife) y sintéticos (NUMOSIM).

• Interpretabilidad de Plantillas: Las plantillas descubiertas por LDA (ej. trabajo a tiempo completo, estudiante, quedarse en casa, trabajo por turnos) se alinean con arquetipos de comportamiento humano conocidos y son temporalmente distintos.
• Rendimiento: IBAD supera consistentemente a las líneas base de vanguardia (incluyendo métodos como BeSTAD, LMTAD e ICAD) en la detección de anomalías de comportamiento en todos los entornos.
• Generalización: El marco mantiene un rendimiento robusto incluso cuando se aplica a conjuntos de datos con diferentes distribuciones, demostrando que los arquetipos de comportamiento aprendidos son transferibles.

Significación y Reivindicaciones

El artículo afirma que IBAD ofrece un avance significativo al abordar la limitación de los métodos existentes que dependen de características espaciales o temporales diseñadas a mano. Al abstraer la movilidad en mezclas de plantillas interpretables, IBAD puede detectar cambios de estilo de vida y cambios de comportamiento que parecen "fuera de personaje" incluso si ninguna ubicación visitada es inusual.

Los autores posicionan este enfoque como particularmente relevante para aplicaciones tales como:

• Cuidado de ancianos y monitoreo del declive cognitivo.
• Evaluación de la salud psiquiátrica.
• Seguridad infantil y detección de fraude.
• Seguridad pública.

El trabajo enfatiza que las verdaderas anomalías de comportamiento se definen a menudo por la recombinación de actividades más que por las actividades mismas, un matiz capturado por el enfoque de mezcla de plantillas. El código se libera para reproducibilidad.