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

📄 arXiv: 2606.13311v1 📥 PDF

作者: Yongmin Kim, ByeongHoon Jeon, Sungil Kim

分类: cs.LG, cs.AI

发布日期: 2026-06-11

💡 一句话要点

提出Rarity-Gated特征调制模块以解决海事异常检测中的频率偏差问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 异常检测 上下文建模 稀有性评分 特征调制 海事监控

📋 核心要点

  1. 现有的上下文条件异常检测方法在面对高度不平衡的上下文分布时，容易产生不稳定的决策和过多的误报。
  2. 本文提出RGFiLM模块，通过稀有性评分调节上下文对特征的调制强度，从而在稀有上下文中做出更准确的判断。
  3. 实验结果显示，RGFiLM在海事轨迹异常检测中实现了最佳的F1-假阳性率平衡，相较于其他方法显著降低了误报率。

📝 摘要（中文）

上下文异常检测旨在根据上下文变量识别异常行为，但实际应用中常面临高度不平衡的上下文分布，稀有情境可能包含关键信息。在这种频率偏差下，上下文条件模型可能产生不稳定的决策和过多的误报。本文提出了一种稀有性感知调制模块RGFiLM，它结合了特征调制和由数据驱动的稀有性评分控制的门控机制。稀有性评分基于上下文变量的经验分布估计，调节上下文对中间表示的调制强度：在稀有上下文下，门控机制变得更具决定性，而在频繁上下文下则保持保守。我们在海事轨迹异常检测中评估RGFiLM，结果表明该方法在减少误报方面具有有效性。

🔬 方法详解

问题定义：本文旨在解决上下文异常检测中因上下文分布不平衡而导致的误报问题。现有方法在稀有上下文下表现不佳，容易产生不稳定的决策。

核心思路：RGFiLM模块通过引入稀有性评分，调节上下文对特征的调制强度，使得在稀有上下文中模型能够更加敏感，而在频繁上下文中则保持保守，从而提高检测的准确性。

技术框架：RGFiLM的整体架构包括特征调制和稀有性评分两个主要模块。特征调制负责对隐藏特征进行上下文条件的缩放和偏移，而稀有性评分则根据上下文变量的经验分布进行估计。

关键创新：RGFiLM的创新在于结合了特征调制与稀有性评分的门控机制，使得模型能够动态调整对上下文的敏感度，这是与现有方法的本质区别。

关键设计：在设计中，稀有性评分的计算基于上下文变量的经验分布，门控机制的参数设置经过实验优化，以确保在不同上下文下的调制效果最佳。

🖼️ 关键图片

fig_0

📊 实验亮点

在海事轨迹异常检测的实验中，RGFiLM在F1-假阳性率平衡方面表现最佳，相较于其他上下文无关和上下文条件方法，显著降低了误报率，验证了其在稀有上下文下的有效性。

🎯 应用场景

该研究的潜在应用领域包括海事监控、交通管理和安全监测等。通过提高异常检测的准确性，RGFiLM能够有效减少误报，提升系统的可靠性和实用性，对未来的智能监控系统具有重要影响。

📄 摘要（原文）

Contextual anomaly detection aims to identify abnormal behavior conditional on context variables, but practical deployments often face highly imbalanced context distributions where rare regimes can be critical information. Under such frequency bias, context-conditioned models can produce unstable decisions and excessive false alarms in rare contexts. We propose Rarity-Gated Feature-wise Linear Modulation (RGFiLM), a rarity-aware conditioning module that combines feature-wise modulation (i.e., context-conditioned scaling and shifting of hidden features) with a gate controlled by a data-driven rarity score. The rarity score is estimated from the empirical distribution of context variables and regulates how strongly context modulates intermediate representations: the gate becomes more decisive under rare contexts while remaining conservative under frequent contexts. We evaluate RGFiLM on maritime trajectory anomaly detection using AIS motion sequences with ERA5 environmental context in an environment-sensitive detour scenario. When instantiated in a sequential anomaly scoring pipeline, RGFiLM achieves the best mean F1--False Positive Rate (FPR) trade-off among the compared context-agnostic and context-conditioned methods. These results suggest that explicitly accounting for context rarity is an effective approach for reducing false alarms in context-sensitive anomaly detection.