Rarity-Gated Context Conditioning for Offline Imitation Learning-Based Maritime Anomaly Detection
作者: Yongmin Kim, ByeongHoon Jeon, Sungil Kim
分类: cs.LG, cs.AI
发布日期: 2026-06-12
💡 一句话要点
提出Rarity-Gated特征调制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 上下文感知 稀有性评分 特征调制 海事监测
📋 核心要点
- 现有的上下文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虚假警报。
- 本文提出的RGFiLM模块通过稀有性评分调节上下文对特征的调制强度，从而提高模型在稀有上下文中的决策能力。
- 在海事轨迹异常检测实验中，RGFiLM在F1-虚假警报率的权衡上表现优于其他对比方法，显示出其有效性。
📝 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，但在实际应用中，常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虚假警报。本文提出了一种稀有感知调制模块RGFiLM，它结合了特征调制与由数据驱动的稀有性评分控制的门控机制。稀有性评分根据上下文变量的经验分布进行估计，调节上下文对中间表示的调制强度：在稀有上下文中，门控机制变得更加果断，而在频繁上下文中则保持保守。我们在海事轨迹异常检测中评估RGFiLM，结果表明显式考虑上下文稀有性是减少上下文敏感异常检测中虚假警报的有效方法。
🔬 方法详解
问题定义：本文解决的是上下文异常检测中的频率偏差问题，现有方法在稀有上下文中容易产生虚假警报和不稳定决策。
核心思路：RGFiLM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的决策更加果断。
技术框架：RGFiLM模块结合了特征调制和门控机制，整体架构包括上下文变量的稀有性评分估计、特征的上下文调制以及决策输出阶段。
关键创新：RGFiLM的创新在于其稀有性评分的引入，使得模型能够根据上下文的稀有程度动态调整决策策略，这是与现有方法的本质区别。
关键设计：模型中采用了特征调制的方式，包括上下文条件的缩放和偏移，稀有性评分通过经验分布估计，确保在稀有上下文中门控机制的决策更加果断。
🖼️ 关键图片
📊 实验亮点
在海事轨迹异常检测实验中，RGFiLM在F1-虚假警报率的权衡上表现最佳，相较于其他上下文无关和上下文条件方法，显著降低了虚假警报率，提升了检测准确性，验证了其有效性。
🎯 应用场景
该研究在海事异常检测领域具有重要应用潜力，能够有效识别稀有但关键的异常行为，减少虚假警报，提升安全性。未来，该方法可扩展至其他领域，如金融欺诈检测和工业监控等，具有广泛的实际价值。
📄 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.