Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies

Technische Samenvatting: Herdefiniëring van Maritieme Anomaliedetectie via Vergelijking-Gegronde Synthetische Anomalieën

Probleemstelling
Maritieme anomaliedetectie is cruciaal voor de veiligheid en verkeersmanagement, waarbij sterk wordt vertrouwd op Automatic Identification System (AIS)-gegevens. Er bestaat echter een fundamentele bottleneck: publiekelijk beschikbare AIS-datasets missen vooraf gedefinieerde anomalie-labels. Eerdere onderzoeken hebben geprobeerd dit aan te pakken via twee primaire, maar gebrekkige paradigma's:

1. Distributie-gebaseerde zeldzaamheid: Het definiëren van anomalieën als statistische uitschieters. Dit faalt vaak in het vastleggen van praktisch kritieke gebeurtenissen (bijv. bijna-aanvaringen), omdat statistische zeldzaamheid niet gelijkstaat aan reële gevaren.
2. Expert-gebaseerde labeling: Vertrouwen op domeinregels of handmatige annotatie door experts. Deze aanpak is kostbaar, subjectief, moeilijk schaalbaar en negeert vaak interactie-gedreven gevaren tussen schepen.

Als gevolg hiervan zijn bestaande evaluatieprocessen arbitrair en hebben detectiemodellen moeite met het generaliseren naar operationeel betekenisvolle gevaren.

Methodologie
De auteurs stellen een verenigde score–synthese–label pijplijn voor die een reproduceerbaar, op vergelijkingen gegrond benchmark-dataset genereert. De kerninnovatie is een vergelijking-gegronde anomalie-taxonomie die maritieme domeinkennis formaliseert in drie onderscheidende, opereerbare typen:

1. Onverwachte AIS-activiteit (A1): Een anomalie van een enkel schip die sensor-geïnduceerde positionele discontinuïteiten vertegenwoordigt (pieken in breedtegraad/lengtegraad) zonder bijbehorende kinematische veranderingen (Speed Over Ground - SOG, Course Over Ground - COG).
2. Routeafwijking (A2): Een anomalie van een enkel schip die wordt gekenmerkt door abrupte, kinematisch gedreven manoeuvres (abnormale SOG/COG-variaties) die zich voortplanten over opeenvolgende tijdstippen.
3. Nauw contact (A3): Een anomalie tussen twee schepen die een bijna-aanvaring vertegenwoordigt. Dit wordt gesynthetiseerd door een virtueel "doelwit-schip" traject te construeren ten opzichte van een geobserveerd "eigen schip", wat een paargewette interactie creëert die het botsingsrisico binnen een specifiek tijdsvenster vergroot.

Het Synthese-framework
De pijplijn gebruikt een Large Language Model (LLM), specifiek Qwen3-8B, niet als directe generator van trajectcoördinaten, maar als een beperkte plausibiliteitsscorer.

• Scoring: Het LLM analyseert een trajectsegment en de bijbehorende kinematische statistieken om een plausibiliteitsscore per tijdstip ($a_t \in [0, 1]$) te produceren, die aangeeft waar een anomalie semantisch gezien zou kunnen passen.
• Synthese: Een op vergelijkingen gegronde synthesizer gebruikt deze scores om deterministisch anomalieën te injecteren.
  • Voor A1 verplaatst het punten van de positie loodrecht op het trajectpad op basis van een schaleringsfactor afgeleid van de score en het ruisniveau van het traject (Perpendicular Euclidean Distance).
  • Voor A2 verstoort het recursief de SOG- en COG-waarden over een tijdsvenster, waarbij wordt gewaarborgd dat het schip uiteindelijk terugkeert naar zijn oorspronkelijke route.
  • Voor A3 construeert het een traject van een virtueel vaartuig met een laterale offset en relatieve snelheid, ontworpen om te voldoen aan de Closest Point of Approach (CPA) en Distance to CPA (DCPA) beperkingen zoals gedefinieerd door maritieme regelgeving (COLREGs).
• Labeling: Binaire labels worden toegewezen op het niveau van het tijdstip op basis van de door de vergelijkingen gedefinieerde injectievensters, waardoor de grondwaarheid wiskundig rigoureus is in plaats van heuristisch.

Belangrijkste Bijdragen

1. Vergelijking-gegronde Taxonomie: Het artikel formaliseert maritieme anomalieën in drie verschillende typen (A1, A2, A3), maakt onderscheid tussen single-vessel en interactie-gedreven gebeurtenissen, en biedt wiskundige definities voor elk type.
2. Verenigde Pijplijn: Het introduceert een score–synthese–label framework waarbij een LLM fungeert als een semantische gids voor de plaatsing van anomalieën, terwijl de werkelijke generatie en labeling strikt worden beheerst door domeinvergelijkingen. Dit garandeert kinematische consistentie en reproduceerbaarheid.
3. Gestandaardiseerde Benchmark: De auteurs construeren een benchmark op de publieke OMTAD-dataset (cargo en tanker tracks) en evalueren een breed scala aan modellen, inclus van traditionele detectoren, toegewijde tijdreeks-anomaliedetectoren en forecasting-modellen aangepast voor anomaliedetectie.

Experimentele Resultaten
De auteurs evalueerden 15+ baseline modellen (bijv. LSTM, Transformers, Anomaly Transformer, OmniAnomaly) over variërende vensterlengtes ($T=12, 24$) en anomalie-ratio's (1%–10%).

• A1 (Positiepieken): Detectie is extreem moeilijk. Forecasting-gebaseerde modellen (bijv. Informer, VanillaTransformer) presteren iets beter dan anderen, maar de AUROC-scores blijven nabij willekeurig (ongeveer 54%), wat aangeeft dat positie-alleen pieken zonder kinematische veranderingen een fundamentele uitdaging vormen voor huidige architecturen.
• A2 (Routeafwijking): Prestaties verbeteren aanzienlijk (AUROC > 90% voor topmodellen). Kinematische afwijkingen bieden duidelijkere discriminatieve signalen. Forecasting-modellen excelleren bij $T=12$, terwijl probabilistische reconstructiemodellen (OmniAnomaly) beter presteren bij $T=24$.
• A3 (Nauw contact): Prestaties vallen tussen A1 en A2 in. Detectie berust op het modelleren van de paargewette relatieve beweging. Standaard single-trajectory modellen worstelen hiermee, maar modellen die expliciet paargewette interacties coderen (bijv. STGVAD met verschil-inputs) laten substantiële winst zien, wat bevestigt dat interactie-gedreven anomalieën relationeel redeneren vereisen.
• Vergelijking met Sparsity: De studie toont aan dat vergelijking-gegronde anomalieën niet worden gevangen door methoden gebaseerd op sparsity-selectie. Zelfs met hoge selectieproporties falen methoden gebaseerd op sparsity erin om een aanzienlijk deel van de fysiek betekenisvolle anomalieën uit de taxonomie te herstellen.

Betekenis en Claims
Het artikel claimt een van de eersten te zijn die maritieme domeinkennis systematisch formaliseert in een vergelijking-gegronde taxonomie en een LLM als een beperkte scorer gebruikt voor het genereren van kinematisch consistente synthetische anomalieën.

• Paradigmaverschuiving: Het werk betoogt dat effectieve anomaliedetectie labels vereist die geworteld zijn in domeinkennis in plaats van statistische zeldzaamheid.
• Evaluatie-rigor: Het biedt een systematische basis voor het evalueren van detectiemethoden over verschillende anomalietypen, waarbij wordt onthuld dat de prestaties van modellen sterk afhankelijk zijn van de afstemming tussen de inductieve bias van een model en de specifieke aard van de anomalie (bijv. positie-alleen versus kinematisch versus interactie).
• Toekomstige Richting: De resultaten motiveren de ontwikkeling van interactie-bewuste detectiearchitecturen, aangezien single-trajectory representaties onvoldoende zijn voor het detecteren van bijna-aanvaringen.

De auteurs houden een bescheiden standpunt en erkennen dat hun framework een beperkte subset van formaliseerbare anomalieën dekt en dat de outputs van de LLM-scorer worden beïnvloed door prompt-design en dataset-priors. De primaire bijdrage is het bieden van een reproduceerbaar, uitbreidbaar labelingsframework en een gestandaardiseerde benchmark om het vakgebied vooruit te helpen voorbij arbitraire, op sparsity gebaseerde evaluaties.