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

Sintesi Tecnica: Condizionamento del Contesto con Gating della Rarità per l'Apprendimento dell'Imitazione Offline nel Rilevamento di Anomalie Marittime

Problema

Il rilevamento di anomalie contestuali (CAD) mira a identificare comportamenti anomali $b$ condizionati a variabili di contesto $c$ (ad es., condizioni ambientali). Tuttavia, le implementazioni pratiche soffrono spesso di un bias di frequenza: le distribuzioni dei contesti sono altamente sbilanciate, con i contesti di routine che sono abbondanti e i contesti rari (ad es., maltempo, regimi operativi estremi) che sono scarsi.

Sotto tale squilibrio, i modelli standard condizionati dal contesto tendono a gestire male i regimi rari. Poiché questi regimi sono sottorappresentati nei dati di addestramento, i modelli possono produrre decisioni instabili o eccessivi falsi allarmi quando li incontrano. Le strategie di mitigazione esistenti, come il "ritorno" (back-off) a una baseline priva di contesto quando l'evidenza locale è scarsa, ridimensionano efficacemente l'influenza dei contesti rari. Questo è controproducente, poiché i contesti rari sono spesso critici per la sicurezza e richiedono un'influenza contestuale attenta, piuttosto che diminuita.

Metodologia: Rarity-Gated FiLM (RGFiLM)

Gli autori propongono il Rarity-Gated Feature-wise Linear Modulation (RGFiLM), un modulo di condizionamento modulare progettato per regolare quanto fortemente il contesto influenza le rappresentazioni intermedie in base alla rarità dell'ambiente corrente. Il metodo è integrato in una pipeline di punteggio delle anomalie sequenziale, specificamente istanziata all'interno di OIL-AD (Offline Imitation Learning-based Anomaly Detection).

1. Architettura Core:
L'approccio opera su traiettorie $\tau = \{(s_t, e_t, a_t)\}_{t=1}^T$, dove $s_t$ è lo stato, $e_t$ è il contesto esogeno (ambiente) e $a_t$ è l'azione.

• Rappresentazione dello Stato: Un encoder sequenziale produce uno stato latente $h_t = f_{state}(s_{1:t})$.
• Modulazione del Contesto (FiLM): Un encoder ambientale mappa $e_t$ in parametri di scala ($\gamma_t$) e spostamento ($\beta_t$), creando una rappresentazione modulata dal contesto $\tilde{h}_t = \gamma_t \odot h_t + \beta_t$.
• Estrazione della Rarità: Un punteggio di rarità $r_t \in [0, 1]$ viene stimato dalla distribuzione empirica di un sottoinsieme di variabili ambientali (ad es., altezza delle onde, velocità del vento). Gli autori utilizzano la distanza di Mahalanobis del vettore ambientale dalla media di addestramento, mappata attraverso una funzione di distribuzione cumulativa (CDF) Chi-quadro.
• Rarity Gate (Cancello della Rarità): La rappresentazione finale $h^*_t$ è un'interpolazione pesata tra l'originale $h_t$ e la versione modulata $\tilde{h}_t$:
  $$h^*_t = w_t \tilde{h}_t + (1 - w_t) h_t$$
  Il peso del gate $w_t$ è derivato da una piccola rete neurale $g$ che prende come input $[e_t, r_t]$. Fondamentalmente, l'output della rete è scalato da un fattore di temperatura dipendente da $r_t$: $\tilde{s}_t = s_t(1 + \kappa r_t)/\tau$.
  • Comportamento: Sotto contesti rari (alto $r_t$), il gate diventa "decisivo" (sigmoide più netta), forzando una forte preferenza per la rappresentazione modulata o quella originale. Sotto contesti frequenti (basso $r_t$), il gate rimane "conservativo" (miscela più morbida), impedendo al modello di fare eccessivo affidamento su effetti di contesto estremi dove i dati sono abbondanti.

2. Integrazione:
RGFiLM sostituisce la rappresentazione dello stato standard nel framework OIL-AD. Il modello viene addestrato su traiettorie normali per apprendere una policy $\pi(a_t | s_t, e_t)$. Le anomalie vengono rilevate come deviazioni nelle sequenze decisionali (bassa probabilità delle azioni osservate dato lo stato calibrato sulla rarità).

Contributi Chiave

1. Identificazione del Bias di Frequenza: Il documento identifica esplicitamente che trattare tutti i contesti in modo simmetrico in distribuzioni sbilanciate porta a falsi allarmi in regimi rari e critici per la sicurezza.
2. Meccanismo di Condizionamento Sensibile alla Rarità: La proposta di RGFiLM, che interpola tra rappresentazioni indipendenti dal contesto e modulate dal contesto utilizzando un gate dipendente dalla rarità. A differenza dei precedenti metodi di "back-off", RGFiLM non riduce il peso dei contesti rari, ma ne calibra la forza di influenza.
3. Validazione Empirica: Dimostrazione del metodo in un contesto di rilevamento di anomalie di traiettoria marittima utilizzando sequenze di movimento AIS e dati ambientali ERA5.

Risultati Sperimentali

Il metodo è stato valutato su uno scenario di deviazione nella regione dello Stretto di Bass (Australia), dove sono state iniettate deviazioni laterali sintetiche in traiettorie normali. L'obiettivo era rilevare queste deviazioni distinguendole dai cambiamenti di rotta indotti dall'ambiente.

• Metriche di Performance: Valutato su 20 esecuzioni utilizzando Precision, Recall, F1-score e Tasso di Falsi Positivi (FPR).
• Confronti: RGFiLM è stato confrontato con:
  • OIL-AD privo di contesto.
  • OIL-AD con concatenazione ingenua.
  • OIL-AD con FiLM standard.
  • OIL-AD con un gate apprendibile ma senza consapevolezza della rarità.
  • Baseline esterne: ROCOD e CAD per MTS.
• Risultati:
  • RGFiLM ha ottenuto il miglior trade-off medio F1–FPR, ottenendo il valore medio di F1 più alto (0,595) e il valore medio di FPR più basso (0,097).
  • Rispetto al baseline standard FiLM, RGFiLM ha migliorato l'F1 (0,577 $\to$ 0,595) e la Recall mantenendo un FPR comparabile.
  • Rispetto all'ablazione "Gated FiLM (senza rarità)", RGFiLM ha ridotto significativamente l'FPR (0,108 $\to$ 0,097) migliorando al contempo l'F1, isolando il beneficio del punteggio di rarità.
  • Stratificazione della Rarità: Analizzando le performance per rarità ambientale (top 20% rari vs. bottom 80% frequenti), RGFiLM ha mantenuto l'F1 più alto e l'FPR più basso in entrambi i regimi. Il guadagno di performance rispetto a FiLM standard è stato più pronunciato nel regime raro.

Significatività e Rivendicazioni

Il documento sostiene che tenere esplicitamente conto della rarità del contesto è un approccio efficace per ridurre i falsi allarmi nel rilevamento di anomalie sensibili al contesto. Rendendo la forza della modulazione dipendente da un punteggio di rarità basato sui dati, RGFiLM mitiga il bias di frequenza senza scartare le informazioni critiche provenienti dai regimi rari.

Gli autori notano che la loro valutazione si basa sull'iniezione di deviazioni sintetiche con magnitudo fissa, il che potrebbe non coprire l'intera diversità delle anomalie reali. Inoltre, la stima della rarità dipende dalla distribuzione empirica del contesto e potrebbe essere sensibile ai cambiamenti di dominio (domain shift). Si suggerisce come lavoro futuro l'estensione dell'approccio ad altri tipi di anomalie e periodi operativi. Lo studio conclude che il condizionamento consapevole della rarità migliora la robustezza nel rilevamento di anomalie basato su decisioni sequenziali, particolarmente in ambienti marittimi critici per la sicurezza.