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

Technische Samenvatting: Rarity-Gated Context Conditioning voor Offline Imitation Learning-gebaseerde Maritieme Anomaliedetectie

Probleemstelling

Contextuele anomaliedetectie (CAD) beoogt abnormaal gedrag $b$ te identificeren onder conditie van contextvariabelen $c$ (bijv. omgevingsfactoren). Echter, praktische implementaties lijden vaak aan frequentiebias: contextdistributies zijn sterk ongebalanceerd, waarbij routine-contexten overvloedig aanwezig zijn en zeldzame contexten (bijv. zwaar weer, extreme operationele regimes) schaars zijn.

Onder dergelijke onbalans hebben standaard context-geconditioneerde modellen de neiging om zeldzame regimes verkeerd te behandelen. Omdat deze regimes ondervertegenwoordigd zijn in de trainingsdata, kunnen modellen onstabiele beslissingen of excessieve valse alarmen produceren wanneer ze met hen worden geconfronteerd. Bestaande mitigatiestrategieën, zoals het "terugvallen" op een context-agnostische baseline wanneer lokale bewijslast schaars is, verzwakken effectief de invloed van zeldzame contexten. Dit is contraproductief, aangezien zeldzame contexten vaak veiligheidskritisch zijn en juist een zorgvuldige, in plaats van een verminderde, contextuele invloed vereisen.

Methodologie: Rarity-Gated FiLM (RGFiLM)

De auteurs stellen Rarity-Gated Feature-wise Linear Modulation (RGFiLM) voor, een modulaire conditioneringmodule die ontworpen is om te reguleren hoe sterk de context de intermediaire representaties beïnvloedt op basis van de zeldzaamheid van de huidige omgeving. De methode is geïntegreerd in een sequentiële anomalie-score pipeline, specifiek geïnstantieerd binnen OIL-AD (Offline Imitation Learning-gebaseerde Anomaly Detection).

1. Kernarchitectuur:
De aanpak werkt op trajecten $\tau = \{(s_t, e_t, a_t)\}_{t=1}^T$, waarbij $s_t$ de toestand is, $e_t$ de exogene context (omgeving) is, en $a_t$ de actie is.

• Toestandsrepresentatie: Een sequentie-encoder produceert een latente toestand $h_t = f_{state}(s_{1:t})$.
• Context Modulatie (FiLM): Een omgeving-encoder brengt $e_t$ in kaart naar schaleringsparameters ($\gamma_t$) en verschuivingsparameters ($\beta_t$), wat een context-gemoduleerde representatie creëert: $\tilde{h}_t = \gamma_t \odot h_t + \beta_t$.
• Rarity Extractie: Een zeldzaamheidsscore $r_t \in [0, 1]$ wordt geschat uit de empirische distributie van een subset van omgevingsvariabelen (bijv. golfhoogte, windsnelheid). De auteurs gebruiken de Mahalanobis-afstand van de omgevingsvector tot het gemiddelde van de training, afgebeeld via een Chi-kwadraat cumulatieve distributiefunctie (CDF).
• Rarity Gate: De uiteindelijke representatie $h^*_t$ is een gewogen interpolatie tussen de originele toestand $h_t$ en de gemoduleerde toestand $\tilde{h}_t$:
  $$h^*_t = w_t \tilde{h}_t + (1 - w_t) h_t$$
  Het gating-gewicht $w_t$ wordt afgeleid van een klein neuraal netwerk $g$ dat $[e_t, r_t]$ als input neemt. Cruciaal is dat de output van het netwerk wordt geschaald door een temperatuurfactor afhankelijk van $r_t$: $\tilde{s}_t = s_t(1 + \kappa r_t)/\tau$.
  • Gedrag: Onder zeldzame contexten (hoge $r_t$) wordt de gate "besluitvaardig" (scherpere sigmoid), wat een sterke voorkeur afdwingt voor ofwel de gemoduleerde of de originele representatie. Onder frequente contexten (lage $r_t$) blijft de gate "conservatief" (zachtere mix), waardoor wordt voorkomen dat het model te zwaar leunt op extreme contexteffecten waar data overvloedig is.

2. Integratie:
RGFiLM vervangt de standaard toestandsrepresentatie in het OIL-AD-framework. Het model wordt getraind op normale trajecten om een beleid $\pi(a_t | s_t, e_t)$ te leren. Anomalieën worden gedetecteerd als afwijkingen in beslissingssequenties (lage waarschijnlijkheid van geobserveerde acties gegeven de zeldzaamheid-gekalibreerde toestand).

Belangrijkste Bijdragen

1. Identificatie van Frequentiebias: Het artikel identificeert expliciet dat het symmetrisch behandelen van alle contexten in ongebalanceerde distributies leidt tot valse alarmen in zeldzame, veiligheidskritische regimes.
2. Rarity-Aware Conditioning Mechanisme: De voorstel van RGFiLM, dat tussen context-agnostische en context-gemoduleerde representaties interpoleert met behulp van een zeldzaamheid-afhankelijke gate. In tegenstelling tot eerdere "back-off" methoden, verzwakt RGFiLM de invloed van zeldzame contexten niet, maar kalibreert de sterkte van hun invloed.
3. Empirische Validatie: Demonstratie van de methode in een maritieme traject-anomaliedetectie setting met behulp van AIS-bewegingssequenties en ERA5-omgevingsdata.

Experimentele Resultaten

De methode werd geëvalueerd op een detour scenario in de Bass Strait regio (Australië), waar synthetische laterale afwijkingen (detours) in normale trajecten werden geïnjecteerd. Het doel was om deze afwijkingen te detecteren terwijl ze onderscheiden werden van door de omgeving geïnduceerde koerswijzigingen.

• Prestatie-metrieken: Geëvalueerd over 20 runs met behulp van Precision, Recall, F1-score en False Positive Rate (FPR).
• Vergelijkingen: RGFiLM werd vergeleken met:
  • Context-agnostische OIL-AD.
  • OIL-AD met naïeve concatenatie.
  • OIL-AD met standaard FiLM.
  • OIL-AD met een leerbare gate maar zonder zeldzaamheidsbewustzijn.
  • Externe baselines: ROCOD en CAD voor MTS.
• Bevindingen:
  • RGFiLM behaalde de beste gemiddelde F1–FPR trade-off, met de hoogste gemiddelde F1 (0.595) en de laagste gemiddelde FPR (0.097).
  • Vergeleken met de standaard FiLM baseline, verbeterde RGFiLM de F1 (0.577 $\to$ 0.595) en Recall, terwijl het een vergelijkbare FPR behield.
  • Vergeleken met de "Gated FiLM (geen zeldzaamheid)" ablatiestudie, reduceerde RGFiLM de FPR aanzienlijk (0.108 $\to$ 0.097) terwijl het de F1 verbeterde, waarmee het voordeel van de zeldzaamheidsscore werd geïsoleerd.
  • Rarity Stratificatie: Bij analyse van de prestaties per omgevingszeldzaamheid (top 20% zeldzaam versus onderste 80% frequent), behield RGFiLM de hoogste F1 en de laagste FPR in beide regimes. De prestatiewinst ten opzichte van standaard FiLM was prominenter in het zeldzame regime.

Betekenis en Claims

Het artikel claimt dat het expliciet rekening houden met contextzeldzaamheid een effectieve aanpak is voor het verminderen van valse alarmen in context-gevoelige anomaliedetectie. Door de modulatiekracht afhankelijk te maken van een op data gebaseerde zeldzaamheidsscore, mitigeert RGFiLM de frequentiebias zonder kritieke informatie uit zeldzame regimes weg te gooien.

De auteurs merken op dat hun evaluatie steunt op synthetische detour-injectie met een vaste magnitude, wat mogelijk niet de volledige diversiteit van real-world anomalieën dekt. Daarnaast is de zeldzaamheidsschatting afhankelijk van de empirische contextdistributie en zou deze gevoelig kunnen zijn voor domeinverschuivingen. Toekomstig werk suggereert het uitbreiden van de aanpak naar bredere typen anomalieën en operationele perioden. De studie concludeert dat zeldzaamheid-bewuste conditionering de robuustheid verbetert in sequentiële beslissingsgebaseerde anomaliedetectie, met name in veiligheidskritische maritieme omgevingen.