오프라인 모방 학습 기반 해양 이상 감지에 대한 희소성 제어 컨텍스트 조건 부여

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

컨텍스트 기반 이상 탐지는 컨텍스트 변수를 고려하여 비정상적인 행동을 식별하는 것을 목표로 하지만, 실제 적용 시에는 드물게 발생하는 상황이 중요한 정보를 담고 있는 극도로 불균형한 컨텍스트 분포를 흔히 마주하게 됩니다. 이러한 빈도 편향 하에서, 컨텍스트에 의존적인 모델은 드문 상황에서 불안정한 판단을 내리고 과도한 오탐을 발생시킬 수 있습니다. 본 논문에서는 데이터 기반 희소성 점수를 활용하여 특징별 선형 변조(feature-wise linear modulation)와 결합된, 희소성을 인지하는 컨텍스트 조건 부여 모듈인 Rarity-Gated Feature-wise Linear Modulation (RGFiLM)을 제안합니다. 이 희소성 점수는 컨텍스트 변수의 실제 분포로부터 추정되며, 중간 표현에 대한 컨텍스트의 영향력을 조절합니다. 즉, 드문 상황에서는 게이트가 더 강력하게 작동하여 컨텍스트를 반영하고, 일반적인 상황에서는 보수적으로 작동합니다. 우리는 ERA5 환경 데이터를 활용한 AIS 운동 데이터 시퀀스를 기반으로 하는 해양 항로 이상 탐지 환경에서 RGFiLM을 평가했습니다. 특히, 환경에 민감한 우회 경로 시나리오를 사용했습니다. 순차적 이상 점수 산정 파이프라인에 RGFiLM을 적용했을 때, 비교 대상인 컨텍스트 무시 모델 및 컨텍스트 의존 모델 중에서 가장 뛰어난 F1-오탐율(FPR) 균형 성능을 보였습니다. 이러한 결과는 컨텍스트의 희소성을 명시적으로 고려하는 것이 컨텍스트 기반 이상 탐지에서 오탐을 줄이는 데 효과적인 방법임을 시사합니다.

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.