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

기술 요약: 오프라인 모방 학습 기반 해양 이상 탐지를 위한 희소성 게이팅 컨텍스트 조건화 (Rarity-Gated Context Conditioning for Offline Imitation Learning-Based Maritime Anomaly Detection)

문제 정의

컨텍스트 조건부 이상 탐지(Contextual Anomaly Detection, CAD)는 컨텍스트 변수 $c$(예: 환경 조건)에 따른 비정상적 행동 $b$를 식별하는 것을 목표로 한다. 그러나 실제 배포 환경에서는 빈도 편향(frequency bias) 문제가 자주 발생한다. 즉, 컨텍스트 분포가 매우 불균형하여 일상적인 컨텍스트는 풍부한 반면, 희귀한 컨텍스트(예: 악천후, 극한 운영 체제)는 매우 부족하다.

이러한 불균형 상황에서 표준적인 컨텍스트 조건부 모델은 희귀한 레짐(regime)을 제대로 처리하지 못하는 경향이 있다. 이러한 레짐들은 훈련 데이터에서 과소 표현되기 때문에, 모델이 해당 상황을 마주했을 때 불안정한 결정을 내리거나 과도한 오경보(false alarm)를 발생시킬 수 있다. 로컬 증거가 희박할 때 컨텍스트가 없는 베이스라인으로 후퇴(backing off)하는 기존의 완화 전략들은 희귀한 컨텍스트의 영향력을 약화시킨다. 이는 희귀한 컨텍스트가 종종 안전에 직결되는 중요한 정보임에도 불구하고, 그 영향력을 줄이는 결과를 초래하므로 역효과를 낳는다.

방법론: 희소성 게이팅 FiLM (RGFiLM)

저자들은 환경의 희소성에 따라 중간 표현(intermediate representation)에 컨텍스트가 얼마나 강하게 영향을 미칠지를 조절하도록 설계된 모듈형 컨디셔닝 모듈인 **희소성 게이팅 특징별 선형 변조(Rarity-Gated Feature-wise Linear Modulation, RGFiLM)**를 제안한다. 이 방법은 순차적 이상 점수 산출 파이프라인, 구체적으로는 OIL-AD(오프라인 모방 학습 기반 이상 탐지) 내에 구현된다.

1. 핵심 아키텍처:
이 접근 방식은 궤적 $\tau = \{(s_t, e_t, a_t)\}_{t=1}^T$ 상에서 작동하며, 여기서 $s_t$는 상태, $e_t$는 외생적 컨텍스트(환경), $a_t$는 행동이다.

• 상태 표현(State Representation): 시퀀스 인코더가 잠재 상태 $h_t = f_{state}(s_{1:t})$를 생성한다.
• 컨텍스트 변조 (FiM): 환경 인코더가 $e_t$를 스케일링($\gamma_t$) 및 시프팅($\beta_t$) 파라미터로 매핑하여, 컨텍스트가 변조된 표현 $\tilde{h}_t = \gamma_t \odot h_t + \beta_t$를 생성한다.
• 희소성 추출(Rarity Extraction): 환경 변수의 일부(예: 파고, 풍속)에 대한 경험적 분포로부터 희소성 점수 $r_t \in [0, 1]$를 추정한다. 저자들은 훈련 평균으로부터의 환경 벡터의 마할라노비스 거리(Mahalanobis distance)를 계산하고 이를 카이제곱 누적 분포 함수(CDF)를 통해 매핑하는 방식을 사용한다.
• 희소성 게이트(Rarity Gate): 최종 표현 $h^*_t$는 원래의 상태 $h_t$와 변조된 상태 $\tilde{h}_t$ 사이의 가중치 보간(interpolation)이다:
  $$h^*_t = w_t \tilde{h}_t + (1 - w_t) h_t$$
  게이팅 가중치 $w_t$는 $[e_t, r_t]$를 입력으로 받는 작은 신경망 $g$로부터 유도된다. 결정적으로, 네트워크 출력은 $r_t$에 의존하는 온도 계수(temperature factor)에 의해 스케일링된다: $\tilde{s}_t = s_t(1 + \kappa r_t)/\tau$.
  • 동작 방식: 희귀한 컨텍스트(높은 $r_t$) 하에서, 게이트는 "결정적(decisive)"이 되어(날카로운 시그모이드 형태), 변조된 표현 또는 원래의 표현 중 하나를 강력하게 선호하도록 강제한다. 빈번한 컨텍스트(낮은 $r_t$) 하에서, 게이트는 "보수적(conservative)"인 상태를 유지하며(부드러운 혼합), 데이터가 풍부한 극단적 컨텍스트 효과에 모델이 너무 과하게 의존하는 것을 방지한다.

2. 통합:
RGFiLM은 OIL-AD 프레임워크 내의 표준 상태 표현을 대체한다. 모델은 정상 궤적을 통해 정책 $\pi(a_t | s_t, e_t)$를 학습하도록 훈련된다. 이상치는 결정 시퀀스(희소성이 교정된 상태에서의 관측된 행동에 대한 낮은 가능성)의 편차로서 탐지된다.

주요 기여

1. 빈도 편향 식별: 본 논문은 불균형한 분포에서 모든 컨텍스트를 대칭적으로 취급하는 것이 희귀하고 안전에 중요한 레짐에서 오경보를 초래한다는 점을 명시적으로 식별하였다.
2. 희소성 인지 컨디셔닝 메커니즘: 희소성 의존적 게이트를 사용하여 컨텍스트가 없는 표현과 컨텍스트가 변조된 표현을 보간하는 RGFiLM을 제안하였다. 기존의 "백오프(back-off)" 방식과 달리, RGFiLM은 희귀한 컨텍스트의 가중치를 낮추는 대신, 그 영향력의 강도를 교정한다.
3. 실증적 검증: AIS 항행 시퀀스와 ERA5 환경 데이터를 사용하여 해양 궤적 이상 탐지 설정에서 이 방법을 입증하였다.

실험 결과

본 방법은 호주 배스 해협(Bass Strait) 지역의 우회(detour) 시나리오에서 평가되었으며, 여기서는 정상 궤적에 인위적인 측면 우회 경로가 주입되었다. 목표는 환경에 의한 경로 변경과 구별하면서 이러한 편차를 탐지하는 것이다.

• 성능 지표: 정밀도(Precision), 재현율(Recall), F1-score, 그리고 오경보율(FPR)을 사용하여 20회의 실행에 대해 평가하였다.
• 비교 대상: RGFiLM은 다음 모델들과 비교되었다:
  • 컨텍스트를 고려하지 않은 OIL-AD.
  • 단순 결합(naive concatenation)을 사용한 OIL-AD.
  • 표준 FiLM을 사용한 OIL-AD.
  • 학습 가능한 게이트를 사용하되 희소성을 고려하지 않은(no rarity) OIL-AD.
  • 외부 베이스라인: ROCOD 및 MTS를 위한 CAD.
• 결과:
  • RGFiLM은 최적의 평균 F1–FPR 트레이드오프를 달성하였으며, 가장 높은 평균 F1(0.595)과 가장 낮은 평균 FPR(0.097)을 기록하였다.
  • 표준 FiLM 베이스라인과 비교했을 때, RGFiLM은 F1(0.577 $\to$ 0.595)과 재현율을 개선하면서도 유사한 수준의 FPR을 유지하였다.
  • "게이트 FiLM (희소성 없음)" 어블레이션 모델과 비교했을 때, RGFiLM은 F1을 개선하는 동시에 FPR을 유의미하게 감소(0.108 $\to$ 0.097)시켜 희소성 점수의 이점을 입증하였다.
  • 희소성 층화 분석(Rarity Stratification): 환경적 희소성에 따른 성능 분석(상위 20% 희귀 vs 하위 80% 빈번)에서, RGFiLM은 두 레짐 모두에서 가장 높은 F1과 가장 낮은 FPR을 유지하였다. 표준 FiLM 대비 성능 향상은 희귀 레짐에서 더 두드러졌다.

의의 및 주장

본 논문은 컨텍스트의 희소성을 명시적으로 고려하는 것이 컨텍스트 민감형 이상 탐지에서 오경보를 줄이는 효과적인 접근 방식이라고 주장한다. 데이터 기반의 희소성 점수를 통해 변조 강도를 조절함으로써, RGFiLM은 희귀한 레짐의 중요한 정보를 버리지 않으면서도 빈도 편향을 완화한다.

저자들은 본 평가가 고정된 크기의 합성 우회 주입에 의존하고 있어, 실제 세계의 다양한 이상 유형을 모두 포괄하지 못할 수 있다고 언급하였다. 또한, 희소성 추정은 경험적 컨텍스트 분포에 의존하므로 도메인 변화(domain shifts)에 민ell 수 있다. 향-후 연구로는 이 접근 방식을 더 넓은 범위의 이상 유형과 운영 기간으로 확장하는 것이 제안되었다. 본 연구는 희소성 인지 컨디셔닝이 특히 안전이 중요한 해양 환경에서 순차적 의사 결정 기반의 강건성을 향상시킨다는 결론을 내린다.