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

Résumé Technique : Conditionnement de Contexte par Porte de Rareté pour l'Apprentissage par Imitation Hors Ligne de la Détection d'Anomalies Maritimes

Énoncé du Problème

La détection d'anomalies contextuelles (CAD) vise à identifier un comportement anormal $b$ conditionné par des variables de contexte $c$ (ex. : conditions environnementales). Cependant, les déploiements pratiques souffrent souvent d'un biais de fréquence : les distributions de contexte sont hautement déséquilibrées, les contextes routiniers étant abondants et les contextes rares (ex. : météo sévère, régimes opérationnels extrêmes) étant peu fréquents.

Sous un tel déséquilibre, les modèles standards conditionnés par le contexte ont tendance à mal gérer les régimes rares. Parce que ces régimes sont sous-représentés dans les données d'entraînement, les modèles peuvent produire des décisions instables ou des fausses alarmes excessives lorsqu'ils rencontrent de tels contextes. Les stratégies d'atténuation existantes, telles que le « repli » (back-off) vers une base de référence indépendante du contexte lorsque les preuves locales sont rares, réduisent efficacement l'influence des contextes rares. Cela est contre-productif, car les contextes rares sont souvent critiques pour la sécurité et nécessitent une influence contextuelle soignée plutôt qu'une influence diminuée.

Méthodologie : RGFiLM (Rarity-Gated FiLM)

Les auteurs proposent le Rarity-Gated Feature-wise Linear Modulation (RGFiLM), un module de conditionnement modulaire conçu pour réguler la force avec laquelle le contexte influence les représentations intermédiaires en fonction de la rareté de l'environnement actuel. La méthode est intégrée dans un pipeline de notation d'anomalies séquentiel, spécifiquement instanciée au sein de l'OIL-AD (Détection d'Anomalies par Apprentissage par Imitation Hors Ligne).

1. Architecture Centrale :
L'approche opère sur des trajectoires $\tau = \{(s_t, e_t, a_t)\}_{t=1}^T$, où $s_t$ est l'état, $e_t$ est le contexte exogène (environnement) et $a_t$ est l'action.

• Représentation de l'État : Un encodeur de séquence produit un état latent $h_t = f_{state}(s_{1:t})$.
• Modulation de Contexte (FiLM) : Un encodeur d'environnement projette $e_t$ vers des paramètres de mise à l'échelle ($\gamma_t$) et de décalage ($\beta_t$), créant une représentation modulée par le contexte $\tilde{h}_t = \gamma_t \odot h_t + \beta_t$.
• Extraction de la Rareté : Un score de rareté $r_t \in [0, 1]$ est estimé à partir de la distribution empirique d'un sous-ensemble de variables environnementales (ex. : hauteur des vagues, vitesse du vent). Les auteurs utilisent la distance de Mahalanobis du vecteur environnemental par rapport à la moyenne d'entraînement, projetée via une fonction de répartition (CDF) de la loi du Khi-deux.
• Porte de Rareté (Rarity Gate) : La représentation finale $h^*_t$ est une interpolation pondérée entre la représentation originale $h_t$ et la représentation modulée $\tilde{h}_t$ :
  $$h^*_t = w_t \tilde{h}_t + (1 - w_t) h_t$$
  Le poids de la porte $w_t$ est dérivé d'un petit réseau de neurones $g$ qui prend $[e_t, r_t]$ en entrée. Crucialement, la sortie du réseau est mise à l'échelle par un facteur de température dépendant de $r_t$ : $\tilde{s}_t = s_t(1 + \kappa r_t)/\tau$.
  • Comportement : Sous des contextes rares (haut $r_t$), la porte devient « décisive » (sigmoïde plus abrupte), forçant une préférence marquée pour soit la représentation modulée, soit la représentation originale. Sous des contextes fréquents (bas $r_t$), la porte reste « conservatrice » (mélange plus doux), empêchant le modèle de trop s'appuyer sur les effets de contextes extrêmes là où les données sont abondantes.

2. Intégration :
RGFiLM remplace la représentation d'état standard dans le cadre d'OIL-AD. Le modèle est entraîné sur des trajectoires normales pour apprendre une politique $\pi(a_t | s_t, e_t)$. Les anomalies sont détectées comme des écarts dans les séquences de décision (faible probabilité des actions observées étant donné l'état calibré par la rareté).

Contributions Clés

1. Identification du Biais de Fréquence : L'article identifie explicitement que traiter tous les contextes de manière symétrique dans des distributions déséquilibrées conduit à des fausses alarmes dans les régimes rares et critiques pour la sécurité.
2. Mécanisme de Conditionnement Sensible à la Rareté : La proposition de RGFiLM, qui interpole entre des représentations indépendantes du contexte et modulées par le contexte en utilisant une porte dépendante de la rareté. Contrairement aux méthodes de « repli » antérieures, RGFiLM ne diminue pas le poids des contextes rares mais calibre plutôt la force de leur influence.
3. Validation Empirique : Démonstration de la méthode dans un cadre de détection d'anomalies de trajectoire maritime utilisant des séquences de mouvement AIS et des données environnementales ERA5.

Résultats Expérimentaux

La méthode a été évaluée sur un scénario de détour dans la région du détroit de Bass (Australie), où des détours latéraux synthétiques ont été injectés dans des trajectoires normales. L'objectif était de détecter ces écarts tout en les distinguant des changements de route induits par l'environnement.

• Métriques de Performance : Évalué sur 20 passages en utilisant la Précision, le Rappel, le score F1 et le Taux de Fausses Alarmes (FPR).
• Comparaisons : RGFiLM a été comparé à :
  • OIL-AD indépendant du contexte.
  • OIL-AD avec concaténation naïve.
  • OIL-AD avec FiLM standard.
  • OIL-AD avec une porte apprenable mais sans sensibilisation à la rareté.
  • Baselines externes : ROCOD et CAD pour MTS.
• Constatations :
  • RGFiLM a obtenu le meilleur compromis moyen F1–FPR, atteignant le F1 moyen le plus élevé (0,595) et le FPR moyen le plus bas (0,097).
  • Comparé à la ligne de base FiLM standard, RGFiLM améliore le F1 (0,577 $\to$ 0,595) et le Rappel tout en maintenant un FPR comparable.
  • Comparé à l'ablation « Gated FiLM (sans rareté) », RGFiLM réduit significativement le FPR (0,108 $\to$ 0,097) tout en améliant le F1, isolant ainsi le bénéfice du score de rareté.
  • Stratification par Rareté : Lors de l'analyse des performances par rareté environnementale (top 20 % rares vs. 80 % fréquents), RGFiM maintient le F1 le plus élevé et le FPR le plus bas dans les deux régimes. Le gain de performance par rapport au FiLM standard est plus marqué dans le régime rare.

Signification et Revendications

L'article affirme qu'une prise en compte explicite de la rareté du contexte est une approche efficace pour réduire les fausses alarmes dans la détection d'anomalies sensibles au contexte. En rendant la force de la modulation dépendante d'un score de rareté basé sur les données, RGFiLM atténue le biais de fréquence sans rejeter les informations critiques des régimes rares.

Les auteurs notent que leur évaluation repose sur l'injection de détours synthétiques de magnitude fixe, ce qui peut ne pas couvrir toute la diversité des anomalies réelles. De plus, l'estimation de la rareté dépend de la distribution empirique du contexte et pourrait être sensible aux changements de domaine. Des travaux futurs sont suggérés pour étendre l'approche à des types d'anomalies et des périodes opérationnelles plus larges. L'étude conclut que le conditionnement sensible à la rareté améliore la robustesse dans la détection d'anomalies basée sur des décisions séquentielles, particulièrement dans les environnements maritimes critiques pour la sécurité.