Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies

기술 요약: 방정식 기반 합성 이상치를 통한 해사 이상 탐지의 재정의

문제 정의
해사 이상 탐지는 자동 식별 시스템(AIS) 데이터에 크게 의존하며, 이는 안전 및 교통 관리에 매우 중요하다. 그러나 공개된 AIS 데이터셋에는 사전 정의된 이상치 레이블이 부족하다는 근본적인 병목 현상이 존재한다. 기존 연구들은 이를 해결하기 위해 두 가지 주요하면서도 결함이 있는 패러다임을 시도했다:

1. 분포 기반 희소성: 이상치를 통계적 이상치로 정의하는 방식이다. 이는 실질적으로 중요한 사건(예: 근접 사고)을 포착하는 데 실패하는 경우가 많은데, 통계적 희소성이 반드시 실제 세계의 위험을 의미하는 것은 아니기 때문이다.
2. 전문가 기반 레이블링: 도메인 규칙이나 수동 전문가 주석에 의존하는 방식이다. 이 접근법은 비용이 많이 들고, 주관적이며, 확장하기 어렵고, 선박 간의 상호작
   작에 의한 위험을 간과하는 경우가 많다.

결과적으로, 기존의 평가 프로세스는 임의적이며, 탐지 모델은 운영상 의미 있는 위험에 일반화되는 데 어려움을 겪는다.

방법론
저자들은 재현 가능하고 방정식에 근거한 벤치마크 데이터셋을 생성하는 통합된 스코어-합성-레이블(score–synthesize–label) 파이프라인을 제안한다. 핵심 혁신은 해사 도메인 지식을 세 가지 구별되는 운영 가능한 유형으로 공식화한 **방정식 기반 이상 분류 체계(equation-grounded anomaly taxonomy)**이다:

1. 예기치 않은 AIS 활동 (A1): 단일 선박 이상치로서, 운동학적 변화(대지속력 - SOG, 대지침로 - COG)를 동반하지 않는 센서 유도 위치 불연속성(위도/경도의 스파이크)을 나타낸다.
2. 경로 이탈 (A2): 단일 선박 이상치로서, 연속적인 타임스탬프에 걸쳐 전파되는 급격한 운동학적 기반 기동(비정상적인 SOG/COG 변화)을 특징으로 한다.
3. 근접 접근 (A3): 선박 간 이상치로서, 근접 사고(near-miss) 이벤트를 나타낸다. 이는 관측된 '자선(own ship)'에 대한 가상의 '대상선(target ship)' 궤적을 구축함으로써 합성되며, 특정 시간 창 내에서 충돌 위험을 증가시키는 쌍체 상호작용을 생성한다.

합성 프레임워크
이 파이프라인은 대규모 언어 모델(LLM), 특히 Qwen3-8B를 직접적인 좌표 생성기가 아닌, **제약된 타당성 스코어러(constrained plausibility scorer)**로 활용한다.

• 스코어링: LLM은 궤적 세그먼트와 운동학적 통계치를 분석하여, 이상치가 의미론적으로 적합할 수 있는 위치를 나타내는 타임스탬프당 타당성 점수($a_t \in [0, 1]$)를 출력한다.
• 합성: 방정식 기반 합성기는 이러한 점수를 사용하여 결정론적으로 이상치를 주입한다.
  • A1의 경우, 점수와 궤적의 노이즈 수준에서 유도된 스케일링 인자(수직 유클리드 거리)를 바탕으로 궤적 경로에 수직 방향으로 위치 점들을 변위시킨다.
  • A2의 경우, 선박이 원래 경로로 결국 복귀하도록 보장하면서 시간 창 동안 SOG 및 COG 값을 재귀적으로 섭동(perturb)시킨다.
  • A3의 경우, 해사 규정(COLREGs)에 정의된 최근점 통과(CPA) 및 CPA 거리(DCPA) 제약 조건을 충족하도록 설계된 측면 오프셋과 상대 속도를 가진 가상 선박 궤적을 구축한다.
• 레이블링: 방정식에 의해 정의된 주입 창에 따라 타임스탬프 수준에서 이진 레이블을 할당하며, 이를 통해 그라운드 트루스(ground truth)가 휴리스틱이 아닌 수학적으로 엄격하게 유지되도록 한다.

주요 기여

1. 방정식 기반 분류 체계: 본 논문은 해사 이상치를 세 가지 유형(A1, A2, A3)으로 공식화하여 단일 선박 및 상호작용 기반 이벤트를 구분하고, 각각에 대한 수학적 정의를 제공한다.
2. 통합 파이프라인: LLM이 이상치 배치를 위한 의미론적 가이드 역할을 하고, 실제 생성 및 레이블링은 엄격하게 도메인 방정식에 의해 제어되는 스코어-합성-레이블 프레임워크를 도입한다. 이는 운동학적 일관성과 재현성을 보장한다.
3. 표준화된 벤치마크: 저자들은 공개된 OMTAD 데이터셋(화물선 및 유조선 궤적)에 벤치마크를 구축하고, 전통적인 탐지기, 전용 시계열 이상 탐지기, 예측 모델을 포함한 광범위한 모델을 평가한다.

실험 결과
저자들은 다양한 윈도우 길이($T=12, 24$)와 이상치 비율(1%–10%)에 대해 15개 이상의 베이스라인 모델(예: LSTM, Transformers, Anomaly Transformer, OmniAnomaly)을 평가했다.

• A1 (위치 스파이크): 탐지가 매우 어렵다. 예측 기반 모델(예: Informer, VanillaTransformer)이 다른 모델보다 약간 우세하지만, AUROC 점수는 무작위 수준(약 54%)에 머물러 있어, 운동학적 변화가 없는 위치 전용 스파크는 현재의 아키텍처에 근본적인 도전 과제임을 보여준다.
• A2 (경로 이탈): 성능이 크게 향상된다(상위 모델의 AUROC > 90%). 운동학적 편차는 더 명확한 판별 단서를 제공한다. 예측 모델은 $T=12$에서 탁월한 성능을 보이며, 확률적 재구성 모델(OmniAnomaly)은 $T=24$에서 더 나은 성능을 보인다.
• A3 (근접 접근): 성능은 A1과 A2 사이이다. 탐지는 쌍체 상대 운동을 모델링하는 데 달려 있다. 표준 단일 궤적 모델은 고전하지만, 차이 입력(difference inputs)을 명시적으로 인코딩하는 모델(예: STGVAD)은 상당한 이득을 보여, 상호작용 기반 이상치는 관계적 추론이 필요함을 확인시켜 준다.
• 희소성과의 비교: 본 연구는 방정식 기반 이상치가 희소성 기반 선택 방법으로는 포착되지 않음을 입증한다. 높은 선택 비율을 적용하더라도, 희소성 기반 방법은 분류 체계에 정의된 물리적으로 의미 있는 이상치의 상당 부분을 회복하는 데 실패한다.

의의 및 주장
본 논문은 해사 도메인 지식을 방정식 기반의 분류 체계로 체계적으로 공식화하고, 운동학적으로 일관된 합성 이상치를 생성하기 위해 LLM을 제약된 스코어러로 활용한 최초의 연구 중 하나라고 주장한다.

• 패러다임의 전환: 효과적인 이상 탐지를 위해서는 통계적 희소성이 아닌 도메인 지식에 뿌리를 둔 레이블이 필요하다고 주장한다.
• 평가의 엄밀성: 모델의 성능이 모델의 귀납적 편향(inductive bias)과 특정 이상치의 성격(예: 위치 전용 vs 운동학적 vs 상호작용) 사이의 정렬에 크게 의존함을 드러냄으로써, 다양한 이상 유형에 걸쳐 탐지 방법을 평가하기 위한 체계적인 기초를 제공한다.
• 미래 방향: 결과는 단일 궤적 표현만으로는 근접 사고를 탐지하기에 불충분함을 보여주며, 상호작용 인식 탐지 아키텍처의 개발을 촉구한다.

저자들은 자신들의 프레임워크가 공식화 가능한 제한된 범위의 이상치를 다루고 있으며, LLM 스코어러의 출력은 프롬프트 설계와 데이터셋의 사전 분포에 영향을 받는다는 점을 인정하며 겸허한 입장을 유지한다. 주요 기여는 임의적인 희소성 기반 평가를 넘어 발전하기 위해 재현 가능하고 확장 가능한 레이블링 프레임워크와 표준화된 벤치마크를 제공하는 것이다.