Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies

Sintesi Tecnica: Ridefinire il Rilevamento di Anomalie Marittime tramite Anomalie Sintetiche Fondate su Equazioni

Definizione del Problema
Il rilevamento di anomalie marittime è critico per la sicurezza e la gestione del traffico, basandosi pesantemente sui dati AIS (Automatic Identification System). Tuttavia, esiste un collo di bottiglia fondamentale: i dataset AIS pubblicamente disponibili mancano di etichette di anomalia predefinite. La ricerca precedente ha tentato di affrontare questo problema attraverso due paradigmi primari, ma difettosi:

1. Rarità basata sulla distribuzione: Definire le anomalie come outlier statistici. Ciò spesso non riesce a catturare eventi praticamente critici (ad esempio, incontri ravvicinati o near-miss) perché la rarità statistica non equivale al pericolo nel mondo reale.
2. Etichettatura basata su esperti: Fare affidamento su regole di dominio o annotazione manuale da parte di esperti. Questo approccio è costoso, soggettivo, difficile da scalare e spesso trascura i pericoli derivanti dalle interazioni tra le imbarcazioni.

Di conseguenza, i processi di valutazione esistenti sono arbitrari e i modelli di rilevamento faticano a generalizzare verso pericoli operativamente significativi.

Metodologia
Gli autori propongono una pipeline unificata score–synthesize–label (punteggio–sintesi–etichettatura) che genera un dataset di benchmark riproducibile e fondato su equazioni. L'innovazione principale è una tassonomia delle anomalie fondata su equazioni che formalizza la conoscenza del dominio marittimo in tre tipi distinti e operazionalizzabili:

1. Attività AIS Inaspettata (A1): Un'anomalia di una singola imbarcazione che rappresenta discontinuità posizionali indotte dai sensori (picchi di latitudine/longitudine) senza corrispondenti cambiamenti cinematici (Speed Over Ground - SOG, Course Over Ground - COG).
2. Deviazione dalla Rotta (A2): Un'anomalia di una singola imbarcazione caratterizzata da manovre brusche guidate dalla cinematica (variazioni anormali di SOG/COG) che si propagano su timestamp consecutivi.
3. Avvicinamento Ravvicinato (A3): Un'anomalia tra più imbarcazioni che rappresenta un evento di quasi collisione (near-miss). Viene sintetizzata costruendo una traiettoria di una "nave target" virtuale rispetto a una "nave propria" osservata, creando un'interazione a coppie che aumenta il rischio di collisione entro una specifica finestra temporale.

Il Framework di Sintesi
La pipeline impiega un Large Language Model (LLM), nello specifico Qwen3-8B, non come generatore diretto di coordinate di traiettoria, ma come un punteggiatore di plausibilità vincolato.

• Scoring (Punteggio): L'LLM analizza un segmento di traiettoria e le sue statistiche cinematiche per produrre un punteggio di plausibilità per ogni timestamp ($a_t \in [0, 1]$) indicando dove un'anomalia potrebbe semanticamente inserirsi.
• Synthesis (Sintesi): Un sintetizzatore fondato su equazioni utilizza questi punteggi per iniettare deterministicamente le anomalie.
  • Per A1, sposta i punti di posizione perpendicolarmente alla traiettoria in base a un fattore di scala derivato dal punteggio e dal livello di rumore della traiettoria (Distanza Euclidea Perpendicolare).
  • Per A2, perturba ricorsivamente i valori di SOG e COG su una finestra temporale, assicurando che la nave torni infine alla sua rotta originale.
  • Per A3, costruisce la traiettoria di una nave virtuale con un offset laterale e una velocità relativa progettati per soddisfare i vincoli di Closest Point of Approach (CPA) e Distance to CPA (DCPA) definiti dalle normative marittime (COLREGs).
• Labeling (Etichettatura): Le etichette binarie vengono assegnate a livello di timestamp in base alle finestre di iniezione definite dalle equazioni, garantendo che la verità fondamentale (ground truth) sia matematicamente rigorosa e non euristica.

Contributi Chiave

1. Tassonomia Fondata su Equazioni: Il documento formalizza le anomalie marittime in tre tipi distinti (A1, A2, A3), distinguendo tra eventi di singola imbarcazione e guidati dall'interazione, e fornisce definizioni matematiche per ciascuno.
2. Pipeline Unificata: Introduce una framework score–synthesize–label in cui un LLM agisce come guida semantica per il posizionamento dell'anomalia, mentre la generazione e l'etichettatura effettive sono rigorosamente governate da equazioni di dominio. Ciò garantisce coerenza cinematica e riproducibilità.
3. Benchmark Standardizzato: Gli autori costruiscono un benchmark sul dataset pubblico OMTAD (tracciati di cargo e petroliere) e valutano una vasta gamma di modelli, inclusi i detector tradizionali, i detector di serie temporali dedicati e i modelli di previsione adattati per il rilevamento di anomalie.

Risultati Sperimentali
Gli autori hanno valutato oltre 15 modelli di base (es. LSTM, Transformer, Anomaly Transformer, OmniAnomaly) attraverso diverse lunghezze di finestra ($T=12, 24$) e rapporti di anomalia (1%–10%).

• A1 (Picchi di Posizione): Il rilevamento è estremamente difficile. I modelli basati sulla previsione (es. Informer, VanillaTransformer) superano leggermente gli altri, ma gli score AUROC rimangono vicini al caso (circa 54%), indicando che i picchi di sola posizione senza cambiamenti cinematici rappresentano una sfida fondamentale per le attuali architetture.
• A2 (Deviazione dalla Rotta): Le prestazioni migliorano significativamente (AUROC > 90% per i migliori modelli). Le deviazioni cinematiche forniscono indizi discriminanti più chiari. I modelli di previsione eccellono a $T=12$, mentre i modelli di ricostruzione probabilistica (OmniAnomaly) performano meglio a $T=24$.
• A3 (Avvicinamento Ravvicinato): Le prestazioni si collocano tra A1 e A2. Il rilevamento dipende dalla modellazione del moto relativo a coppie. I modelli standard a singola traiettoria faticano, ma i modelli che codificano esplicitamente le interazioni a coppie (es. STGVAD con input di differenza) mostrano guadagni sostanziali, confermando che le anomalie guidate dall'interazione richiedono un ragionamento relazionale.
• Confronto con la Sparsità: Lo studio dimosta che le anomalie fondate su equazioni non vengono catturate dai metodi di selezione basati sulla scarsità (sparsity). Anche con alte proporzioni di selezione, i metodi basati sulla sparsità non riescono a recuperare una parte significativa delle anomalie fisicamente significative definite dalla tassonomia.

Significato e Rivendicazioni
Il documento sostiene di essere tra i primi a formalizzare sistematicamente la conoscenza del dominio marittimo in una tassonomia fondata su equazioni e a utilizzare un LLM come punteggiatore vincolato per generare anomalie cinematicamente coerenti.

• Cambio di Paradigma: Il lavoro sostiene che un rilevamento di anomalie efficace richiede etichette radicate nella conoscenza del dominio piuttosto che nella rarità statistica.
• Rigore della Valutazione: Fornisce una base sistematica per valutare i metodi di rilevamento attraverso diversi tipi di anomalia, rivelando che le prestazioni dei modelli dipendono fortemente dall'allineamento tra il bias induttivo di un modello e la natura specifica dell'anomalia (es. solo posizione vs cinematica vs interazione).
• Direzione Futura: I risultati motivano lo sviluppo di architetture di rilevamento consapevoli delle interazioni, poiché le rappresentazioni a singola traiettoria sono insufficienti per rilevare eventi di quasi collisione.

Gli autori mantengono una posizione modesta, riconoscendo che il loro framework copre un sottoinsieme ristretto di anomalie formalizzabili e che gli output del punteggiatore LLM sono influenzati dal design del prompt e dai prior del dataset. Il contributo primario è la fornitura di un framework di etichettatura riproducibile ed espandibile e di un benchmark standardizzato per far avanzare il campo oltre le valutazioni arbitrarie basate sulla sparsità.