기술 요약: IBAD – 인간 이동성 데이터에 대한 해석 가능한 행동 이상 탐지

문제 정의

인간의 이동성 데이터는 높은 변동성을 보이지만, 개인의 일상적 움직임 중 상당 부분은 구조화되고 반복되는 행동 패턴(예: 출퇴근, 학교 일과, 심부름 등)을 따릅니다. 전통적인 이상 탐지 방법들은 특정 위치, 타임스탬프 또는 궤적 형태의 편차에 집중하는 경우가 많습니다. 그러나 이러한 접근 방식은 사람이 익숙한 장소들을 방문하더라도 그 순서나 조합이 과거의 이력과 일치하지 않는 경우(예: 통근자가 늦은 밤 여러 곳을 들르는 패턴을 보이는 경우) 발생하는 "행동 이상(behavioral anomalies)"을 감지하는 데 실패할 수 있습니다.

본 논문은 일 단위 행동 이상 탐지(day-level behavioral anomaly detection) 문제를 정의합니다. 즉, 한 개인의 전체 활동 패턴이 그들의 기존 역사적 행동 템플릿의 혼합(mixture)으로 타당하게 설명될 수 없는 날을 식별하는 것입니다. 목표는 자연스러운 변동성(익숙한 템플릿의 재조합)과 진정한 행동 변화를 구분하는 것입니다.

방법론: IBAD 프레임워크

제안된 프레임워크인 IBAD(Interpretable Behavioral Anomaly Detection)는 **행동 템플릿 발견(Behavioral Template Discovery)**과 **계층적 자기지도 이상 점수 산출(Hierarchical Self-Supervised Anomaly Scoring)**이라는 두 가지 주요 단계로 작동합니다.

1. 행동 템플릿 발견 (비지도 학습)

이상치를 탐지하기 전에, 시스템은 공유된 일일 행동 아키타입(archetypes)의 어휘집을 학습합니다.

• 데이터 표현: 원시 이동 기록은 고정된 길이의 일일 활동 타임라인으로 변환되며, 이는 이산적인 시간 슬롯으로 나뉩니다. 각 슬롯은 타임스탬프가 찍힌 활동(예: "08:00-업무")으로 토큰화됩니다.
• 토픽 모델링: 저자들은 일일 활동 타임라인을 "문서"로, 행동 템플릿을 "잠재 토픽(latent topics)"으로 취급하기 위해 **잠재 디리클레 할당(Latent Dirichlet Allocation, LDA)**을 사용합니다.
  • 템플릿 ($\mathcal{T}$): 코퍼스에서 학습된 $K$개의 전형적인 일일 패턴(예: 9-to-5 근무일, 주말 여가일)의 집합입니다.
  • 혼합 ($\theta$): 각 개인의 하루는 단일 템플릿이 아니라, 이 $K$개의 템플릿에 대한 소프트 확률 분포(혼합)로 표현됩니다.
• 결과: 이를 통해 하루가 글로벌 아키타입들의 가중치 결합으로 정의되는, 압축되고 해석 가능한 일일 행동 요약본을 얻을 수 있습니다.

2. IBAD 아키텍처 (계층적 자기지도 모델)

IBAD는 대상일의 예상 템플릿 혼합을 해당 개인의 과거 궤적을 기반으로 예측하는 법을 학습합니다.

• 방문 임베딩(Visit Embedding): 개별 방문은 에이전트 신원, 도착/출발 시간(Time2Vec을 통한), 활동 범주를 위한 학습 가능한 임베딩을 사용하여 인코딩됩니다.
• 일일 표현(Daily Representation): **양방향 트랜스포머 인코더(bidirectional Transformer encoder)**가 단일 날의 방문 시퀀스를 처리합니다. 학습 가능한 [CLS] 토큰은 이러한 방문들을 하나의 고정 크기 일일 벡터($z_d$)로 집계하여, 일내 의존성(intra-day dependencies)을 포착하고 지배적인 활동에 가중치를 부여합니다.
• 이력 조건부 예측(History-Conditioned Prediction): 인과적 교차 주의(causal cross-attention) 메커니즘은 대상일의 템플릿 혼합($\hat{\theta}_d$)을 예측합니다.
  • 쿼리(Query)는 대상일의 타임스탬프로부터 유도됩니다.
  • 키(Key)와 값(Value)은 에이전트의 이전 일일 벡터들($z_{d'}$ where $d' < d$)로부터 유도됩니다.
  • 이를 통해 불규칙한 관측 간격과 시간적 드리프트(temporal drift)를 고려할 수 있습니다.
• 학습 목표: 모델은 관찰된 혼합(LDA 단계에서 유도됨)과 (에이전트의 이력을 통해) 예측된 혼합 사이의 **쿨백-라이블러 발산(Kullback-Leibler divergence)**을 최소화하도록 학습됩니다.
• 이상 점수 산출: 추론 시, 특정 날의 이상 점수는 관찰된 혼합과 모델의 예측 사이의 KL 발산입니다. 높은 발산은 해당 날의 행동이 에이전트의 역사적 레퍼토리와 일치하지 않음을 나타냅니다.

3. 벤치마킹 전략

정답(ground-truth) 행동 이상 라벨이 부족하기 때문에, 저자들은 **스플라이싱 벤치마크(Splicing Benchmark)**를 도입했습니다.

• 에이전트 내 스플라이싱(Intra-agent Splicing): 특정 날을 동일한 에이전트의 다른 날로 대체하여(예: 평일을 주말로 교체) 개인 내 루틴 편차를 시뮬레이션합니다.
• 에이전트 간 스플라이싱(Inter-agent Splicing): 특정 날을 다른 에이전트의 날로 대체하여 개인 간 행동 불일치를 시뮬레이션합니다.
• 결합형(Combined): 두 전략을 혼합한 방식입니다.
• 필터링: 교체된 날이 원래의 템플릿 분포와 주입된 날의 템플릿 분포 사이의 젠슨-샤논 발산(Jensen-Shannon divergence)이 임계값을 초과하는 경우에만 교체를 수용하여, 의미 있는 행동 변화를 보장합니다.

주요 기여

1. 새로운 행동 패러다임: 이상 탐지의 초점을 경직된 공간적/시간적 편차에서 행동 템플릿 혼합으로 전환합니다. 이상치는 전체 활동 패턴이 개인의 확립된 루틴 혼합으로 설명될 수 없는 날로 정의됩니다.
2. 행동 템플릿 발견: 일일 이동성이 비지도 LDA를 통해 소수의 해석 가능한 템플릿으로 분해될 수 있음을 입증합니다. 제안된 IBAD 프레임워크는 예측된 템플릿 혼합으로부터의 편차를 기준으로 날을 점수화합니다.
3. 새로운 벤치마크:
   • OpenStreetMap과 LLM을 사용하여 원시 GPS 체류 지점(stay-points)을 활동 범주로 매핑한 의미론적 라벨이 부여된 Geolife 벤치마크를 제공합니다.
   • 정답 라벨 없이 행동 이상 탐지를 평가하기 위한 스플라이싱 프로토콜(개인 내, 개인 간, 결합된 불일치 포함)을 제시합니다.
4. 강건성 및 전이 가능성: 실험 결과, 한 데이터셋(예: NHTS)에서 학습된 템플릿이 서로 다른 지리적 및 인구통계적 맥락(예: Geolife, 합성 데이터)을 가진 데이터셋 전반에 걸쳐 보편적인 행동 아키타입을 포착함을 보여줍니다.

실험 결과

본 논문은 실제 데이터(NHTS 2017, Geolife) 및 합성 데이터(NUMOSIM)를 사용하여 IBAD를 평가합니다.

• 템플릿 해석 가능성: LDA로 발견된 템플릿(예: 전일 근무, 학생, 자택 체류, 교대 근무)은 알려진 인간 행동 아키타입과 일치하며 시간적으로 구별됩니다.
• 성능: IBAD는 모든 설정에서 행동 이상을 탐지하는 데 있어 최신 상태(state-of-the-art) 베이스라인 모델들(BeSTAD, LMTAD, ICAD 등)보다 일관되게 우수한 성능을 보입니다.
• 일반화: 프레임워크는 서로 다른 분포를 가진 데이터셋에 적용되어도 견고한 성능을 유지하여, 학습된 행동 아키타입이 전이 가능하다는 것을 입증합니다.

의의 및 주장

본 논문은 IBAD가 수작업으로 설계된 공간적 또는 시간적 특징에 의존하는 기존 방법의 한계를 해결함으로써 중요한 진전을 이루었다고 주장합니다. 이동성을 해석 가능한 템플릿 혼합으로 추상화함으로써, IBAD는 단일 방문 장소가 특이하지 않더라도 라이프스타일의 변화나 "성격에 맞지 않는" 행동 변화를 감지할 수 있습니다.

저자들은 이 접근 방식이 다음과 같은 응용 분야에 특히 유용하다고 강조합니다:

• 노인 케어 및 인지 저하 모니터링.
• 정신 건강 평가.
• 아동 안전 및 사기 탐지.
• 공공 안전.

이 연구는 진정한 행동 이상이 활동 그 자체보다는 활동의 **재조합(recombination)**에 의해 정의되는 경우가 많다는 점을 강조하며, 이는 템플릿 혼합 접근 방식을 통해 포착됩니다. 재현성을 위해 코드는 공개되었습니다.