Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies

Resumo Técnico: Redefinindo a Detecção de Anomalias Marítimas via Anomalias Sintéticas Baseadas em Equações

Declaração do Problema
A detecção de anomalias marítimas é crítica para a segurança e gestão de tráfego, dependendo fortemente de dados do Sistema de Identificação Automática (AIS). No entanto, existe um gargalo fundamental: os conjuntos de dados AIS publicamente disponíveis carecem de rótulos de anomalias predefinidos. Pesquisas anteriores tentaram abordar isso através de dois paradigmas principais, porém falhos:

1. Raridade baseada em distribuição: Definir anomalias como outliers estatísticos. Isso frequentemente falha em capturar eventos praticamente críticos (ex: encontros de quase colisão) porque a raridade estatística não equivale ao perigo no mundo real.
2. Rotulagem baseada em especialistas: Depender de regras de domínio ou anotação manual de especialistas. Esta abordagem é dispendiosa, subjetiva, difícil de escalar e frequentemente negligencia perigos de interação entre embarcações.

Consequentemente, os processos de avaliação existentes são arbitrários e os modelos de detecção têm dificuldade em generalizar para perigos operacionalmente significativos.

Metodologia
Os autores propõem um pipeline unificado de pontuação–síntese–rotulagem que gera um conjunto de dados de referência reproduzível e fundamentado em equações. A inovação central é uma taxonomia de anomalias fundamentada em equações que formaliza o conhecimento do domínio marítimo em três tipos distintos e operacionalizáveis:

1. Atividade de AIS Inesperada (A1): Uma anomalia de embarcação única, representando descontinuidades posicionais induzidas por sensores (picos de latitude/longitude) sem mudanças cinemáticas correspondentes (Velocidade Sobre o Solo - SOG, Curso Sobre o Solo - COG).
2. Desvio de Rota (A2): Uma anomalia de embarcação única caracterizada por manobras abruptas impulsionadas pela cinemática (variações anormais de SOG/COG) que se propagam ao longo de timestamps consecutivos.
3. Aproximação Próxima (A3): Uma anomalia entre embarcações que representa um evento de quase colisão. Isto é sintetizado construindo uma trajetória de um "navio alvo" virtual em relação a um "próprio navio" observado, criando uma interação de par que aumenta o risco de colisão dentro de uma janela temporal específica.

O Framework de Síntese
O pipeline utiliza um Grande Modelo de Linguagem (LLM), especificamente o Qwen3-8B, não como um gerador direto de coordenadas de trajetória, mas como um pontuador de plausibilidade restrito.

• Pontuação: O LLM analisa um segmento de trajetória e suas estatísticas cinemáticas para produzir uma pontuação de plausibilidade por timestamp ($a_t \in [0, 1]$) indicando onde uma anomalia poderia se ajustar semanticamente.
• Síntese: Um sintetizador fundamentado em equações usa essas pontuações para injetar anomalias deterministicamente.
  • Para A1, ele desloca pontos de posição perpendicularmente ao caminho da trajetória com base em um fator de escala derivado da pontuação e do nível de ruído da trajetória (Distância Euclidiana Perpendicular).
  • Para A2, ele perturba recursivamente os valores de SOG e COG ao longo de uma janela temporal, garantindo que a embarcação eventualmente retorne à sua rota original.
  • Para A3, ele constrói uma trajetória de embarcação virtual com um deslocamento lateral e velocidade relativa projetados para satisfazer as restrições de Ponto de Aproximação Mais Próximo (CPA) e Distância ao CPA (DCPA) definidas pelas regulamentações marítimas (COLREGs).
• Rotulagem: Rótulos binários são atribuídos ao nível de timestamp com base nas janelas de injeção definidas pelas equações, garantindo que o ground truth seja matematicamente rigoroso em vez de heurístico.

Principais Contribuições

1. Taxonomia Fundamentada em Equações: O artigo formaliza as anomalias marítimas em três tipos distintos (A1, A2, A3), distinguindo entre eventos de embarcação única e de interação, e fornece definições matemáticas para cada um.
2. Pipeline Unificado: Introduz um framework de pontuação–síntese–rotulagem onde um LLM atua como um guia semântico para o posicionamento da anomalia, enquanto a geração e a rotulagem reais são estritamente governadas por equações de domínio. Isso garante consistência cinemática e reprodutibilidade.
3. Benchmark Padronizado: Os autores constroem um benchmark no dataset público OMTAD (trajetórias de carga e petroleiros) e avaliam uma ampla gama de modelos, incluindo detectores tradicionais, detectores de séries temporais dedicados e modelos de previsão adaptados para detecção de anomalias.

Resultados Experimentais
Os autores avaliaram mais de 15 modelos de base (ex: LSTM, Transformers, Anomaly Transformer, OmniAnomaly) através de variados comprimentos de janela ($T=12, 24$) e razões de anomalia (1%–10%).

• A1 (Picos de Posição): A detecção é extremamente difícil. Modelos baseados em previsão (ex: Informer, VanillaTransformer) superam ligeiramente os outros, mas os escores de AUROC permanecem próximos do aleatório (aprox. 54%), indicando que picos de posição sem mudanças cinemáticas são um desafio fundamental para as arquiteturas atuais.
• A2 (Desvio de Rota): O desempenho melhora significativamente (AUROC > 90% para os melhores modelos). Desvios cinemáticos fornecem pistas discriminativas mais claras. Modelos de previsão se destacam em $T=12$, enquanto modelos de reconstrução probabilística (OmniAnomaly) performam melhor em $T=24$.
• A3 (Aproximação Próxima): O desempenho situa-se entre A1 e A2. A detecção depende da modelagem do movimento relativo de par. Modelos padrão de trajetória única lutam, mas modelos que codificam explicitamente interações de par (ex: STGVAD com entradas de diferença) mostram ganhos substanciais, confirmando que anomalias de interação exigem raciocínio relacional.
• Comparação com Esparsidade: O estudo demonstra que anomalias fundamentadas em equações não são capturadas por métodos de seleção baseados em esparsidade. Mesmo com altas proporções de seleção, métodos baseados em esparsidade falham em recuperar uma parte significativa das anomalias fisicamente significativas definidas pela taxonomia.

Significância e Alegações
O artigo afirma ser um dos primeiros a formalizar sistematicamente o conhecimento do domínio marítimo em uma taxonomia fundamentada em equações e utilizar um LLM como um pontuador restrito para gerar anomalias cinematicamente consistentes.

• Mudança de Paradigma: O trabalho argumenta que a detecção de anomalias eficaz requer rótulos enraizados no conhecimento do domínio, em vez de raridade estatística.
• Rigor de Avaliação: Fornece uma base sistemática para avaliar métodos de detecção através de diferentes tipos de anomalias, revelando que o desempenho do modelo depende fortemente do alinhamento entre o viés indutivo de um modelo e a natureza específica da anomalia (ex: apenas posição vs. cinemática vs. interação).
• Direção Futura: Os resultados motivam o desenvolvimento de arquiteturas de detecção conscientes de interação, uma vez que representações de trajetória única são insuficientes para detectar eventos de quase colisão.

Os autores mantêm uma postura modesta, reconhecendo que seu framework cobre um subconjunto restrito de anomalias formalizáveis e que as saídas do pontuador LLM são influenciadas pelo design de prompts e pelos priors do dataset. A principal contribuição é o fornecimento de um framework de rotulagem reprodutível e expansível e um benchmark padronizado para avançar o campo além das avaliações arbitrárias baseadas em esparsidade.