Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies

技術要約：方程式に基づいた合成アノマリーによる海事異常検知の再定義

問題提起
海事における異常検知は、安全性および交通管理において極めて重要であり、自動識別装置（AIS）データに大きく依存している。しかし、公開されているAISデータセットには、定義済みの異常ラベルが欠如しているという根本的なボトルネックが存在する。先行研究では、主に以下の2つの、しかし欠陥のあるパラダイムを用いてこの問題に対処しようとしてきた：

1. 分布に基づく希少性： 異常を統計的な外れ値として定義する。これは、実世界での危険性と統計的な希少性が必ずしも一致しないため（例：ニアミス遭遇などの実用的に重要なイベントを捉えきれない）、実務上の重要な事象を捉えることに失敗することが多い。
2. 専門家によるラベリング： ドメインルールや専門家による手動アノテーションに依存する。この手法はコストが高く、主観的で、スケーラビリティに欠け、船舶間の相互作用に起因するハザードを見落とすことが多い。

その結果、既存の評価プロセスは恣意的であり、検出モデルは運用上意味のあるハザードに対して汎化することが困難となっている。

手法
著者らは、再現可能で方程式に基づいたベンチマークデータセットを生成する、統一されたスコア・合成・ラベリング・パイプラインを提案している。核心となる革新は、海事ドメインの知識を3つの明確かつ操作可能なタイプへと定式化した**方程式に基づいたアノマリー・タクソノミー（分類体系）**である：

1. 予期せぬAIS活動 (A1): 単一船舶のアノマリーであり、運動学的変化（対地速度 - SOG、対地進路 - COG）を伴わない、センサー起因の位置不連続性（緯度・経度のスパイク）を表す。
2. ルート逸脱 (A2): 単一船舶のアノマリーであり、連続するタイムスタンプにわたって伝播する、急激な運動学的駆動による操船（異常なSOG/COGの変化）を特徴とする。
3. 接近 (A3): 船舶間のアノマリーであり、ニアミス事象を表す。これは、観測された「自船」に対する仮想的な「ターゲット船」の軌道を構築することで合成され、特定の時間窓内での衝突リスクを高めるペアワイズの相互作用を生成する。

合成フレームワーク
このパイプラインでは、大規模言語モデル（LLM）である Qwen3-8B を、直接的な軌道座標の生成器としてではなく、**制約付きの妥当性スコアラー（plausibility scorer）**として採用している。

• スコアリング: LLMは軌道セグメントとその運動学的統計を分析し、アノマリーが意味論的に適合し得る箇所を示す、タイムスタンプごとの妥当性スコア ($a_t \in [0, 1]$) を出力する。
• 合成: 方程式に基づいたシンセサイザーが、これらのスコアを使用して決定論的にアノマリーを注入する。
  • A1の場合: スコアと軌道のノイズレベルから導出されたスケーリング係数に基づき、軌道経路に対して垂直方向に位置点を変位させる（垂直ユークリッド距離）。
  • A2の場合: 船舶が最終的に元のルートに復帰することを保証しながら、時間窓にわたってSOGおよびCOGの値を再帰的に摂動させる。
  • A3の場合: 海事規則（COLREGs）によって定義される最近接点（CPA）およびCPA距離（DCPA）の制約を満たすように、横方向のオフセットと相対速度を持つ仮想船舶の軌道を構築する。
• ラベリング: 方程式によって定義された注入ウィンドウに基づき、タイムスタンプレベルでバイナリラベルを割り当てる。これにより、グラウンドトゥルースはヒューリスティックではなく、数学的に厳密なものとなる。

主な貢献

1. 方程式に基づいたタクソノミー: 海事アノマリーを、単一船舶および相互作用駆動型のイベントを区別する3つの異なるタイプ（A1, A2, A3）として定式化し、それぞれの数学的定義を提供した。
2. 統一されたパイプライン: LLMがアノマリー配置のセマンティックなガイドとして機能し、実際の生成とラベリングがドメイン方程式によって厳格に制御される「スコア・合成・ラベル」フレームワークを導入した。これにより、運動学的整合性と再現性が確保される。
3. 標準化されたベンチマーク: 公開されているOMTADデータセット（貨物船およびタンカーのトラック）上にベンチマークを構築し、伝統的な検出器、専用の時系列アノマリー検出器、およびアノマリー検出用に適応させた予測モデルを含む幅広いモデルを評価した。

実験結果
著者らは、15以上のベースラインモデル（例：LSTM, Transformers, Anomaly Transformer, OmniAnomaly）を、変動するウィンドウ長（$T=12, 24$）およびアノマリー比率（1%–10%）にわたって評価した。

• A1 (位置スパイク): 検出は極めて困難である。予測ベースのモデル（例：Informer, VanillaTransformer）が他よりもわずかに優れているが、AUROCスコアはランダムに近い（約54%）ままであり、運動学的変化を伴わない位置のみのスパイクは、現在のアーキテクチャにとって根本的な課題であることを示している。
• A2 (ルート逸脱): パフォーマンスは大幅に向上する（上位モデルでAUROC > 90%）。運動学的な偏差は、より明確な識別的手がかりを提供する。予測モデルは $T=12$ で優れており、確率的再構成モデル（OmniAnomaly）は $T=24$ でより高い性能を示す。
• A3 (接近): パフォーマンスはA1とA2の中間に位置する。検出はペアワイズの相対運動のモデリングに依存する。標準的な単一軌道モデルは苦戦するが、差分入力を用いたSTGVADのような、ペアワイズの相互作用を明示的にエンコードするモデルは大幅な改善を示し、相互作用駆動型のアノマリーには関係性の推論が必要であることを裏付けている。
• 希薄性との比較: 本研究は、方程式に基づいたアノマリーが、希薄性に基づく選択手法では捉えられないことを示している。選択割合が高くても、希薄性に基づく手法は、タクソノミーで定義された物理的に意味のあるアノマリーの大部分を回収することに失敗する。

意義と主張
本論文は、海事ドメインの知識を方程式に基づいたタクソノミーへと体系的に定式化し、運動学的に一貫した合成アノマリーを生成するために、制約付きスコアラーとしてLLMを利用した最初の試みの一つであると主張している。

• パラダイムの転換: 効果的なアノマリー検出には、統計的な希少性ではなく、ドメイン知識に根ざしたラベルが必要であると論じている。
• 評価の厳密性: 様々なタイプのアノマリーに対して検出手法を評価するための体系的な基盤を提供し、モデルの性能が、モデルの帰納バイアスと特定のアノマリーの性質（例：位置のみか、運動学的か、あるいは相互作用か）との整合性に強く依存していることを明らかにした。
• 今後の方向性: 結果は、相互作用を考慮した検出アーキテクチャの開発を促すものである。なぜなら、単一の軌道表現ではニアミス事象を検出するには不十分だからである。

著者らは、自身の手法が形式化可能なアノマリーの限定的なサブセットを対象としていること、およびLLMスコアラーの出力がプロンプト設計やデータセットの事前分布に影響を受けることを認め、控えめな姿勢を維持している。主要な貢献は、恣意的な希薄性ベースの評価を超えて分野を発展させるための、再現可能で拡張可能なラベリングフレームワークと標準化されたベンチマークを提供したことにある。