論文の概要: A Novel Evaluation Metric for Unsupervised Learning in AIS-Based Maritime Anomaly Detection: MADQI

• arxiv url: http://arxiv.org/abs/2605.30388v1
• Date: Thu, 28 May 2026 11:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.133001
• Title: A Novel Evaluation Metric for Unsupervised Learning in AIS-Based Maritime Anomaly Detection: MADQI
• Title（参考訳）: AISによる海面異常検出における教師なし学習のための新しい評価基準:MADQI
• Authors: Ismet Gocer, Zakirul Bhuiyan, Raza Hasan, Shakeel Ahmad,
• Abstract要約: 本稿では,海上自動識別システム(AIS)データセットにおける異常を検出するための新しい体系的枠組みを提案する。 提案フレームワークは, 異常レート一貫性(ARC), 物理プラウザビリティスコア(PPS), スコア分散分離(SDS), 極端ケースエビデンス(ECE)の4つの相互接続メトリクスを統合した。 AISデータセットによる実験結果から,提案フレームワークはMADQIスコア80.37%を達成し,教師なし異常検出の有効性を示した。
• 参考スコア（独自算出の注目度）: 0.5424799109837065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a new systematic framework for detecting anomalies in maritime Automatic Identification System (AIS) datasets. These anomalies include abnormal vessel behaviours related to speed, position jumps, time gaps, and turn angles. Although unsupervised learning algorithms such as Isolation Forest are widely used for detecting anomalous vessel movements, they often lack systematic and meaningful evaluation measures. To address this limitation, we propose a novel quality metric called Maritime Anomaly Detection Quality Index (MADQI). The prosed MADQI is a composite index designed to evaluate the anomaly detection performance of machine learning models without requiring labelled data. The proposed framework uses Haversine distance calculations to analyse AIS datasets and identify anomalies based on their spatial and behavioural characteristics. The proposed MADQI evaluation framework integrates four interconnected metrics: Anomaly Rate Consistency (ARC), Physical Plausibility Score (PPS), Score Distribution Separation (SDS), and Extreme Case Evidence (ECE). These metrics are combined through automatic normalisation using multi-chunk evaluation and adaptive scaling techniques. Experimental results on the AIS dataset show that the proposed framework achieved a MADQI score of 80.37%, demonstrating its effectiveness for unsupervised anomaly detection. In particular, the algorithm performed strongly in identifying abnormal vessel behaviour. Among the individual MADQI components, ECE and ARC achieved scores of 0.907 and 1.000, respectively, indicating excellent capability in detecting extreme anomalies and maintaining anomaly rate consistency. Overall, these results are encouraging and demonstrate that the proposed framework provides a reliable and meaningful approach for evaluating unsupervised anomaly detection in maritime AIS data.
• Abstract（参考訳）: 本稿では,海上自動識別システム(AIS)データセットにおける異常を検出するための新しい体系的枠組みを提案する。 これらの異常には、速度、位置ジャンプ、時間ギャップ、回転角に関連する異常な血管の挙動が含まれる。 孤立林のような教師なし学習アルゴリズムは異常な血管の動きを検出するために広く用いられているが、体系的かつ有意義な評価手段が欠如していることが多い。 この制限に対処するため,MADQI(Maritime Anomaly Detection Quality Index)と呼ばれる新しい品質指標を提案する。 MADQIはラベル付きデータを必要としない機械学習モデルの異常検出性能を評価するために設計された複合指標である。 提案フレームワークは,AISデータセットを分析し,その空間的特徴と行動的特徴に基づいて異常を同定するために,ハビシン距離計算を用いる。 提案したMADQI評価フレームワークは,異常レート一貫性(ARC),物理プラウザビリティスコア(PPS),スコア分散分離(SDS),極端ケースエビデンス(ECE)の4つの相互接続メトリクスを統合する。 これらのメトリクスは、マルチチャンク評価と適応スケーリング技術を用いた自動正規化によって結合される。 AISデータセットによる実験結果から,提案フレームワークはMADQIスコア80.37%を達成し,教師なし異常検出の有効性を示した。 特に, このアルゴリズムは異常血管の挙動の同定に強く貢献した。 個々のMADQIコンポーネントのうち、ECEとARCはそれぞれ0.907と1.000のスコアを獲得し、極端な異常を検出し、異常率の一貫性を維持するのに優れた能力を示した。 これらの結果は, 海上AISデータにおける教師なし異常検出を評価する上で, 信頼性が高く有意義な手法が提案されていることを示唆し, 実証している。

関連論文リスト

• BenchReAD: A systematic benchmark for retinal anomaly detection [23.15668882564837]
  データとアルゴリズムの観点から総合的かつ体系的な網膜異常検出のためのベンチマークを導入する。 異常の非交叉表現(DRA)を利用した完全教師付きアプローチは、最高の性能を達成できるが、ある異常な異常に遭遇した場合、性能が著しく低下する。 本研究では,一級教師あり学習におけるメモリバンク機構に着想を得て,DRAと通常の特徴記憶を統合して性能劣化を緩和するNFM-DRAを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:08Z)
• Detect, Classify, Act: Categorizing Industrial Anomalies with Multi-Modal Large Language Models [27.008700759998945]
  本稿では,異常分類のための新しいパイプラインであるVELMを提案する。 我々は、広く使われているMVTec-ADとVisA-ACデータセットの洗練されたバージョンであるMVTec-ACとVisA-ACを紹介する。 提案手法は,MVTec-ADで80.4%,MVTec-ACで84%の精度を達成し,VELMの有効性を示した。
  論文  参考訳（メタデータ） (2025-05-05T13:08:25Z)
• Adaptive Signal Analysis for Automated Subsurface Defect Detection Using Impact Echo in Concrete Slabs [0.0]
  本研究は,コンクリートスラブの地下欠陥発生領域を検出するための,新しい,自動化された,スケーラブルな手法を提案する。 このアプローチは、高度な信号処理、クラスタリング、および視覚分析を統合して、地下の異常を識別する。 結果は方法論の堅牢性を示し、最小限の偽陽性とほとんど欠陥のない欠陥発生領域を一貫して同定した。
  論文  参考訳（メタデータ） (2024-12-23T20:05:53Z)
• MeLIAD: Interpretable Few-Shot Anomaly Detection with Metric Learning and Entropy-based Scoring [2.394081903745099]
  本稿では,新たな異常検出手法であるMeLIADを提案する。 MeLIADはメートル法学習に基づいており、真の異常の事前分布仮定に頼ることなく、設計による解釈可能性を達成する。 解釈可能性の定量的かつ定性的な評価を含む5つの公開ベンチマークデータセットの実験は、MeLIADが異常検出とローカライゼーション性能の改善を達成することを実証している。
  論文  参考訳（メタデータ） (2024-09-20T16:01:43Z)
• Performance Metric for Multiple Anomaly Score Distributions with Discrete Severity Levels [4.66313002591741]
  本稿では, 受信機動作特性曲線(WS-AUROC)に基づいて, 異常スコアに基づいて重み付けされた領域の重み付け和を提案する。 また、分布の明確な分離を実現し、WS-AUROCおよびAUROCメトリクスのアブレーションモデルより優れる異常検出器を提案する。
  論文  参考訳（メタデータ） (2024-08-09T02:17:49Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
  教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。 不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。 非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。 我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
  論文  参考訳（メタデータ） (2023-08-29T13:38:35Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。