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

Resumo Técnico: Condicionamento de Contexto com Portão de Raridade para Aprendizado de Imitação Offline para Detecção de Anomalias Marítimas

Definição do Problema

A detecção de anomalias contextual (CAD) visa identificar comportamentos anômalos $b$ condicionados a variáveis de contexto $c$ (ex: condições ambientais). No entanto, implementações práticas frequentemente sofrem de viés de frequência: as distribuições de contexto são altamente desbalanceadas, com contextos rotineiros sendo abundantes e contextos raros (ex: clima severo, regimes operacionais extremos) sendo escassos.

Sob tal desbalanceamento, modelos padrão condicionados ao contexto tendem a lidar mal com regimes raros. Como esses regimes são subrepresentados nos dados de treinamento, os modelos podem produzir decisões instáveis ou alarmes falsos excessivos ao encontrar tais situações. Estratégias de mitigação existentes, como o "recuo" (backing off) para um baseline agnóstico ao contexto quando a evidência local é escassa, efetivamente diminuem o peso de contextos raros. Isso é contraproducente, pois os contextos raros são frequentemente críticos para a segurança e exigem uma influência contextual cuidadosa, em vez de diminuída.

Metodologia: RGFiLM (Rarity-Gated FiLM)

Os autores propõem o Rarity-Gated Feature-wise Linear Modulation (RGFiLM), um módulo de condicionamento modular projetado para regular a força com que o contexto influencia as representações intermediárias com base na raridade do ambiente atual. O método é integrado a um pipeline de pontuação de anomalia sequencial, especificamente instanciado dentro do OIL-AD (Detecção de Anomalia baseada em Aprendizado de Imitação Offline).

1. Arquitetura Central:
A abordagem opera sobre trajetórias $\tau = \{(s_t, e_t, a_t)\}_{t=1}^T$, onde $s_t$ é o estado, $e_t$ é o contexto exógeno (ambiente) e $a_t$ é a ação.

• Representação de Estado: Um codificador de sequência produz um estado latente $h_t = f_{state}(s_{1:t})$.
• Modulação de Contexto (FiM): Um codificador de ambiente mapeia $e_t$ para parâmetros de escala ($\gamma_t$) e deslocamento ($\beta_t$), criando uma representação modulada pelo contexto $\tilde{h}_t = \gamma_t \odot h_t + \beta_t$.
• Extração de Raridade: Uma pontuação de raridade $r_t \in [0, 1]$ é estimada a partir da distribuição empírica de um subconjunto de variáveis ambientais (ex: altura das ondas, velocidade do vento). Os autores utilizam a distância de Mahalanobis do vetor ambiental em relação à média de treinamento, mapeada através de uma função de distribuição cumulativa (CDF) Qui-quadrado.
• Portão de Raridade (Rarity Gate): A representação final $h^*_t$ é uma interpolação ponderada entre a representação original $h_t$ e a modulada $\tilde{h}_t$:
  $$h^*_t = w_t \tilde{h}_t + (1 - w_t) h_t$$
  O peso de portão $w_t$ é derivado de uma pequena rede neural $g$ que recebe $[e_t, r_t]$ como entrada. Crucialmente, a saída da rede é escalonada por um fator de temperatura dependente de $r_t$: $\tilde{s}_t = s_t(1 + \kappa r_t)/\tau$.
  • Comportamento: Sob contextos raros (alto $r_t$), o portão torna-se "decisivo" (sigmoide mais nítida), forçando uma preferência forte pela representação modulada ou pela original. Sob contextos frequentes (baixo $r_t$), o portão permanece "conservador" (mistura mais suave), evitando que o modelo dependa excessivamente de efeitos de contexto extremos onde os dados são abundantes.

2. Integração:
O RGFiLM substitui a representação de estado padrão no framework OIL-AD. O modelo é treinado em trajetórias normais para aprender uma política $\pi(a_t | s_t, e_t)$. As anomalias são detectadas como desvios nas sequências de decisão (baixa probabilidade das ações observadas dado o estado calibrado pela raridade).

Principais Contribuições

1. Identificação do Viés de Frequência: O artigo identifica explicitamente que tratar todos os contextos simetricamente em distribuições desbalanceadas leva a alarmes falsos em regimes raros e críticos para a segurança.
2. Mecanismo de Condicionamento Consciente da Raridade: A proposta do RGFiLM, que interpola entre representações agnósticas ao contexto e moduladas pelo contexto usando um portão dependente da raridade. Diferente dos métodos de "recuo" anteriores, o RGFiLM não diminui o peso dos contextos raros, mas sim calibra a força de sua influência.
3. Validação Empírica: Demonstração do método em um cenário de detecção de anomalias de trajetória marítima utilizando sequências de movimento AIS e dados ambientais ERA5.

Resultados Experimentais

O método foi avaliado em um cenário de desvio (detour) na região de Bass Strait (Austrália), onde desvios laterais sintéticos foram injetados em trajetórias normais. O objetivo era detectar esses desvios enquanto se distinguia de mudanças de rota induzidas pelo ambiente.

• Métricas de Desempenho: Avaliado ao longo de 20 execuções usando Precisão, Recall, F1-score e Taxa de Falsos Positivos (FPR).
• Comparações: O RGFiLM foi comparado contra:
  • OIL-AD agnóstico ao contexto.
  • OIL-AD com concatenação ingênua.
  • OIL-AD com FiLM padrão.
  • OIL-AD com um portão aprendível, mas sem consciência de raridade.
  • Baselines externos: ROCOD e CAD para MTS.
• Descobertas:
  • O RGFiLM alcançou o melhor equilíbrio médio F1–FPR, obtendo o maior F1 médio (0.595) e o menor FPR médio (0.097).
  • Comparado ao baseline de FiLM padrão, o RGFiM melhorou o F1 (0.577 $\to$ 0.595) e o Recall, mantendo um FPR comparável.
  • Comparado à ablação "Gated FiLM (sem raridade)", o RGFiLM reduziu significativamente o FPR (0.108 $\to$ 0.097) enquanto melhorou o F1, isolando o benefício da pontuação de raridade.
  • Estratificação de Raridade: Ao analisar o desempenho por raridade ambiental (os 20% mais raros vs. os 80% mais frequentes), o RGFiLM manteve o maior F1 e o menor FPR em ambos os regimes. O ganho de desempenho sobre o FiLM padrão foi mais pronunciado no regime raro.

Significância e Alegações

O artigo afirma que considerar explicitamente a raridade do contexto é uma abordagem eficaz para reduzir alarmes falsos na detecção de anomalias sensíveis ao contexto. Ao tornar a força da modulação dependente de uma pontuação de raridade baseada em dados, o RGFiLM mitiga o viés de frequência sem descartar informações críticas de regimes raros.

Os autores observam que sua avaliação depende da injeção de desvios sintéticos com magnitude fixa, o que pode não cobrir toda a diversidade de anomalias do mundo real. Além disso, a estimativa de raridade depende da distribuição de contexto empírica e pode ser sensível a mudanças de domínio. Sugere-se como trabalho futuro estender a abordagem para tipos de anomalias e períodos operacionais mais amplos. O estudo conclui que o condicionamento consciente da raridade melhora a robustez na detecção de anomalias baseada em decisões sequenciais, particularmente em ambientes marítimos críticos para a segurança.