技術要約：IBAD – 人間の移動データにおける解釈可能な行動異常検知

問題定義

人間の移動データは高い変動性を示すが、個人の日常的な動きの多くは、構造化された繰り返しの行動パターン（例：通勤、通学、用事など）に従っている。従来の異常検知手法は、特定の場所、タイムスタンプ、または軌道の形状における逸脱に焦点を当てることが多い。しかし、これらの手法は、「行動的異常（behavioral anomalies）」、すなわち、馴染みのある場所を訪れてはいるものの、その順序や組み合わせが過去のレパートリーと一致しない場合（例：通勤者が深夜に複数の立ち寄り地点を持つパターンを示すなど）を検出できない可能性がある。

本論文は、日単位の行動異常検知の問題を定義している。これは、ある日の全体的な活動パターンが、その個人の確立された歴史的な行動テンプレートの混合物によって妥当に説明できない日を特定することである。目標は、自然な変動（馴染みのあるテンプレートの再結合）と、真の行動の変化を区別することである。

メソドロジー：IBADフレームワーク

提案されているフレームワークであるIBAD（Interpretable Behavioral Anomaly Detection）は、行動テンプレート発見と階層的自己教師あり異常スコアリングという2つの主要な段階で動作する。

1. 行動テンプレート発見（教師なし学習）

異常を検知する前に、システムは共有された日次行動アーキタイプの語彙を学習する。

• データの表現: 生の移動記録は、固定長の日常活動タイムラインへと変換され、離散的なタイムスロットに分割される。各スロットは、タイムスタンプ付きの活動（例：「08:00-仕事」）としてトークン化される。
• トピックモデリング: 著者らは、日常の活動タイムラインを「文書」、行動テンプレートを「潜在トピック」として扱うために、**潜在的ディリクレ配分法（LDA）**を採用している。
  • テンプレート ($\mathcal{T}$): コーパスから学習された、$K$ 個の原型的な日次パターン（例：9時〜5時の勤務日、週末のレジャー日など）。
  • 混合比 ($\theta$): 各一日は、単一のテンプレートとしてではなく、これら $K$ 個のテンプレートに対するソフトな確率分布（混合物）として表現される。
• 成果: これにより、一日はグローバルなアーキタイプの重み付き結合として定義される、コンパクトで解釈可能な日常行動の要約が得られる。

2. IBADアーキテクチャ（階層的自己教師ありモデル）

IBADは、対象となる日の予測されるテンプレート混合を、その個人の履歴に基づいて予測することを学習する。

• 訪問埋め込み（Visit Embedding）: 個々の訪問は、エージェントの識別子、到着/出発時刻（Time2Vecによる）、および活動カテゴリのための学習可能な埋め込みを使用してエンコードされる。
• 日常表現: 双方向Transformerエンコーダが、単一の日における一連の訪問を処理する。学習可能な [CLS] トークンがこれらの訪問を集約し、固定サイズの日常ベクトル ($z_d$) を生成し、日内の依存関係を捉え、支配的な活動に重みを付ける。
• 履歴条件付き予測: 因果的クロスアテンションメカニズムが、対象となる日のテンプレート混合 ($\hat{\theta}_d$) を予測する。
  • クエリは、対象日のタイムスタンプから派生する。
  • キーと値は、エージェントの過去の日常ベクトル ($z_{d'}$、ただし $d' < d$) から派生する。
  • これにより、不規則な観測間隔や時間的ドリフトを考慮することが可能になる。
• 学習目的: モデルは、観測された混合（LDAステップから導出）と、予測された混合（エージェントの履歴から導出）の間のカルバック・ライブラー（KL）ダイバージェンスを最小化するように訓練される。
• 異常スコアリング: 推論時、ある日の異常スコアは、観測された混合とモデルの予測との間のKLダイバージェンスである。高いダイバージェンスは、その日の行動がエージェントの歴史的なレパートリーと一致していないことを示す。

3. ベンチマーク戦略

グランドトゥルース（正解ラベル）となる行動異常ラベルは乏しいため、著者らは**スプライシング・ベンチマーク（Splicing Benchmark）**を導入している。

• エージェント内スプライシング（Intra-agent Saving）: ある日を、同じエージェントの別の日に置き換える（例：平日を週末に置き換える）ことで、個人内のルーチンの逸脱をシミュレートする。
• エージェント間スプライシング（Inter-agent Splicing）: ある日を、異なるエージェントの日に置き換えることで、個人間の行動の不一致をシミュレートする。
• 結合（Combined）: 両方の戦略を組み合わせたもの。
• フィルタリング: 置換は、元の日のテンプレート分布と注入された日のテンプレート分布の間のイェンセン・シャノン・ダイバージェンスが閾値を超える場合にのみ受け入れられる。これにより、意味のある行動の変化を保証する。

主な貢献

1. 新しい行動パラダイム: 異常検知の焦点を、厳格な空間的/時間的偏差から、行動テンプレートの混合へとシフトさせた。異常は、全体的な活動パターンが個人の確立されたルーチン混合によって説明できない日として定義される。
2. 行動テンプレートの発見: 日常の移動が、教師なしLDAを用いて、少数の解釈可能なテンプレートに分解できることを実証した。提案されたIBADフレームワークは、予測されたテンプレート混合からの偏差に基づいて日をスコアリングする。
3. 新しいベンチマーク:
   • 生のGPS滞留地点をOpenStreetMapとLLMを用いて活動カテゴリにマッピングした、意味的にラベル付けされたGeolifeベンチマーク。
   • グランドトゥルースのラベルなしで行動異常検知を評価するための、スプライシング・プロトコル（個人内、個人間、および結合された不一致をカバー）。
4. 堅牢性と転移性: 実験により、一つのデータセット（例：NHTS）で学習されたテンプレートが、異なる地理的および人口統計学的コンテキスト（例：Geolife、合成データ）を横断して、普遍的な行動アーキタイプを捉えることが示された。

実験結果

論文では、実世界のデータセット（NHTS 2017、Geolife）および合成データセット（NUMOSIM）を用いてIBADを評価している。

• テンプレートの解釈可能性: LDAによって発見されたテンプレート（例：フルタイム勤務、学生、自宅待機、交代制勤務）は、既知の人間の行動アーキタイプと一致しており、時間的に明確に区別されている。
• パフォーマンス: IBADは、行動異常の検出において、すべての設定において最新のベースライン手法（BeSTAD、LMTAD、ICADなどの手法を含む）を一貫して上回っている。
• 汎用性: 学習された行動アーキタイプは転移可能であることを示しており、異なる分布を持つデータセットに適用した場合でも、堅牢なパフォーマンスを維持している。

重要性と主張

本論文は、手作業による空間的または時間的な特徴量に依存する既存手法の限界に対処することで、IBADが重要な進歩をもたらすと主張している。移動を解釈可能なテンプレート混合へと抽象化することにより、IBADは、単一の訪問場所自体は珍しくなくても、ライフスタイルの変化や行動の変化といった「その人らしくない」現象を検出できる。

著者らは、このアプローチが以下のようなアプリケーションに特に有用であると考えている：

• 高齢者介護および認知機能低下のモニタリング。
• 精神医学的健康評価。
• 子供の安全確保および不正検知。
• 公共の安全。

この研究は、真の行動的異常は、活動そのものよりも、活動の再結合によって定義されることが多いというニュア程を強調しており、これはテンプレート混合のアプローチによって捉えられるものである。コードは再現性のために公開されている。