Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies

Resumen Técnico: Redefiniendo la Detección de Anomalías Marítimas mediante Anomalías Sintéticas Basadas en Ecuaciones

Planteamiento del Problema
La detección de anomalías marítimas es crítica para la seguridad y la gestión del tráfico, basándose en gran medida en los datos del Sistema de Identificación Automática (AIS). Sin embargo, existe un cuello de botella fundamental: los conjuntos de datos AIS disponibles públicamente carecen de etiquetas de anomalías predefinidas. Investigaciones previas han intentado abordar esto mediante dos paradigmas principales, aunque defectuosos:

1. Rareza basada en la distribución: Definir las anomalías como valores atípicos estadísticos. Esto a menudo falla al capturar eventos prácticamente críticos (por ejemplo, encuentros de proximidad peligrosa) porque la rareza estadística no equivale al peligro en el mundo real.
2. Etiquetado basado en expertos: Depender de reglas de dominio o de la anotación manual de expertos. Este enfoque es costoso, subjetivo, difícil de escalar y a menudo pasa por alto los peligros impulsados por la interacción entre embarcaciones.

Consecuentemente, los procesos de evaluación existentes son arbitrarios y los modelos de detección tienen dificultades para generalizarse a peligros operativamente significativos.

Metodología
Los autores proponen un flujo de trabajo unificado de puntuación–síntesis–etiquetado que genera un conjunto de datos de referencia reproducible y basado en ecuaciones. La innovación central es una taxonomía de anomalías basada en ecuaciones que formaliza el conocimiento del dominio marítimo en tres tipos distintos y operacionalizables:

1. Actividad de AIS inesperada (A1): Una anomalía de una sola embarcación que representa discontinuidades posicionales inducidas por sensores (picos en latitud/longitud) sin cambios cinemáticos correspondientes (Velocidad Sobre Tierra - SOG, Rumbo Sobre Tierra - COG).
2. Desviación de Ruta (A2): Una anomalía de una sola embarcación caracterizada por maniobras abruptas impulsadas por la cinemática (variaciones anormales de SOG/COG) que se propagan a lo largo de marcas de tiempo consecutivas.
3. Aproximación Cercana (A3): Una anomalía entre embarcaciones que representa un evento de casi colisión. Esto se sintetiza construyendo una trayectoria de un "buque objetivo" virtual con respecto a un "buque propio" observado, creando una interacción de par que aumenta el riesgo de colisión dentro de una ventana temporal específica.

El Marco de Síntesis
El flujo de trabajo emplea un Modelo de Lenguaje de Gran Escala (LLM), específicamente Qwen3-8B, no como un generador directo de coordenadas de trayectoria, sino como un calificador de plausibilidad restringido.

• Puntuación: El LLM analiza un segmento de trayectoria y sus estadísticas cinemáticas para producir una puntuación de plausibilidad por marca de tiempo ($a_t \in [0, 1]$) que indica dónde podría encajar semánticamente una anomalía.
• Síntesis: Un sintetizador basado en ecuaciones utiliza estas puntuaciones para inyectar anomalías de manera determinista.
  • Para A1, desplaza los puntos de posición perpendicularmente a la trayectoria basándose en un factor de escala derivado de la puntuación y el nivel de ruido de la trayectoria (Distancia Euclidiana Perpendicular).
  • Para A2, perturba recursivamente los valores de SOG y COG sobre una ventana temporal, asegurando que la embarcación eventualmente recupere su ruta original.
  • Para A3, construye la trayectoria de un buque virtual con un desplazamiento lateral y una velocidad relativa diseñados para satisfacer las restricciones de Punto de Aproximación Más Cercano (CPA) y Distancia al CPA (DCPA) definidas por las regulaciones marítimas (COLREGs).
• Etiquetado: Se asignan etiquetas binarias a nivel de marca de tiempo basadas en las ventanas de inyección definidas por las ecuaciones, asegurando que la verdad de campo sea matemáticamente rigurosa en lugar de heurística.

Contribuciones Clave

1. Taxonomía Basada en Ecuaciones: El artículo formaliza las anomalías marítimas en tres tipos distintos (A1, A2, A3), distinguiendo entre eventos de una sola embarcación y eventos impulsados por la interacción, y proporciona definiciones matemáticas para cada uno.
2. Flujo de Trabajo Unificado: Introduce un marco de puntuación–síntesis–etiquetado donde un LLM actúa como una guía semántica para la colocación de anomalías, mientras que la generación y el etiquetado reales están estrictamente gobernados por ecuaciones de dominio. Esto asegura la consistencia cinemática y la reproducibilidad.
3. Referencia Estandarizada: Los autores construyen un benchmark sobre el conjunto de datos público OMTAD (trayectorias de carga y petroleros) y evalúan una amplia gama de modelos, incluyendo detectores tradicionales, detectores de series temporales dedicados y modelos de pronóstico adaptados para la detección de anomalías.

Resultados Experimentales
Los autores evaluaron más de 15 modelos base (por ejemplo, LSTM, Transformers, Anomaly Transformer, OmniAnomaly) a través de diversas longitudes de ventana ($T=12, 24$) y proporciones de anomalías (1%–10%).

• A1 (Picos de Posición): La detección es extremadamente difícil. Los modelos basados en pronósticos (por ejemplo, Informer, VanillaTransformer) superan ligeramente a otros, pero las puntuaciones AUROC permanecen cerca del azar (aprox. 54%), lo que indica que los picos de solo posición sin cambios cinemáticos son un desafío fundamental para las arquitecturas actuales.
• A2 (Desviación de Ruta): El rendimiento mejora significamente (AUROC > 90% para los mejores modelos). Las desviaciones cinemáticas proporcionan señales discriminativas más claras. Los modelos de pronóstico sobresalen en $T=12$, mientras que los modelos de reconstrucción probabilística (OmniAnomaly) funcionan mejor en $T=24$.
• A3 (Aproximación Cercana): El rendimiento se sitúa entre A1 y A2. La detección depende de modelar el movimiento relativo de par. Los modelos estándar de trayectoria única tienen dificultades, pero los modelos que codifican explícitamente las interacciones de par (por ejemplo, STGVAD con entradas de diferencia) muestran ganancias sustanciales, confirmando que las anomalías impulsadas por la interacción requieren razonamiento relacional.
• Comparación con la Escasez: El estudio demuestra que las anomalías basadas en ecuaciones no son capturadas por los métodos de selección basados en la escasez. Incluso con altas proporciones de selección, los métodos basados en la escasez fallan en recuperar una parte significativa de las anomalías físicamente significativas definidas por la taxonomía.

Significancia y Reivindicaciones
El artículo afirma ser uno de los primeros en formalizar sistemáticamente el conocimiento del dominio marítimo en una taxonomía basada en ecuaciones y utilizar un LLM como un calificador restringido para generar anomalías cinemáticamente consistentes.

• Cambio de Paradigma: El trabajo argumenta que una detección de anomalías efectiva requiere etiquetas basadas en el conocimiento del dominio en lugar de la rareza estadística.
• Rigor de Evaluación: Proporciona una base sistemática para evaluar los métodos de detección a través de diferentes tipos de anomalías, revelando que el rendimiento del modelo depende fuertemente de la alineación entre el sesgo inductivo de un modelo y la naturaleza específica de la anomalía (por ejemplo, solo posición vs. cinemática vs. interacción).
• Dirección Futura: Los resultados motivan el desarrollo de arquitecturas de detección conscientes de la interacción, ya que las representaciones de trayectoria única son insuficientes para detectar eventos de casi colisión.

Los autores mantienen una postura modesta, reconociendo que su marco cubre un subconjunto restringido de anomalías formalizables y que las salidas del calificador del LLM están influenciadas por el diseño de los prompts y los sesgos del conjunto de datos. La contribución principal es la provisión de un marco de etiquetado reproducible y ampliable, así como un benchmark estandarizado para avanzar en el campo más allá de las evaluaciones arbitrarias basadas en la escasez.