論文の概要: Rarity-Gated Context Conditioning for Offline Imitation Learning-Based Maritime Anomaly Detection

• arxiv url: http://arxiv.org/abs/2606.13311v1
• Date: Thu, 11 Jun 2026 13:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.804392
• Title: Rarity-Gated Context Conditioning for Offline Imitation Learning-Based Maritime Anomaly Detection
• Title（参考訳）: オフライン模擬学習に基づく海面異常検出のためのRarity-Gated Context Conditioning
• Authors: Yongmin Kim, ByeongHoon Jeon, Sungil Kim,
• Abstract要約: R-Gated Feature-wise Linear Modulation (RGFiLM) は、RGFiLM (Rarity-Aware Conditioning Module) の一種で、特徴量変調とデータ駆動のラリティスコアによって制御されるゲートを組み合わせた。 本研究では, 環境に敏感なデトゥールシナリオにおいて, ERA5環境条件付きAISモーションシーケンスを用いた海路異常検出におけるRGFiLMの評価を行った。
• 参考スコア（独自算出の注目度）: 3.836101499114879
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: コンテキスト異常検出は、コンテキスト変数の異常な動作条件を特定することを目的としているが、現実的な展開は、稀なレジームが重要な情報となるような、高度に不均衡なコンテキスト分布に直面していることが多い。 このような周波数バイアスの下で、文脈条件付きモデルは稀な文脈で不安定な決定と過剰な誤報を発生させることができる。 本稿では,Rarity-Gated Feature-wise Linear Modulation (RGFiLM)を提案する。 希少性スコアは、文脈変数の経験的分布から推定され、中間表現を強い文脈で調節する方法を規定する:ゲートは稀な文脈ではより決定的になり、頻繁な文脈では保守的となる。 本研究では, 環境に敏感なデトゥールシナリオにおいて, ERA5環境条件付きAISモーションシーケンスを用いた海路異常検出におけるRGFiLMの評価を行った。 逐次的異常スコアリングパイプラインでインスタンス化されると、RGFiLMは比較した文脈非依存および文脈条件付き手法の中で、最良の平均F1-False Positive Rate(FPR)トレードオフを達成する。 これらの結果から,文脈に敏感な異常検出における誤報の低減には,文脈のランダムさを明示的に考慮することが有効であることが示唆された。

関連論文リスト

• ContextShift: A Controlled Benchmark for Context Dependence in Object Detection [1.8320252176005443]
  我々は、オブジェクトの外観を保ちながら、オブジェクト-コンテキスト関係を操作するベンチマークであるContextShiftを紹介する。 偽陰性は227%まで増加し,予測量は44%まで減少する。 拡張されたすべての変種は、オリジナルの画像と操作されたテストイメージの両方でデータセットのみのベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-06-08T13:48:16Z)
• Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
  本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。 本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。 SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-04-19T21:01:52Z)
• Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
  我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。 この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
  論文  参考訳（メタデータ） (2026-04-14T19:32:55Z)
• Adaptive Guidance for Retrieval-Augmented Masked Diffusion Models [60.25003813232697]
  本稿では,Masked Diffusion Models (MDMs) のトレーニング自由適応ガイダンスフレームワークとして,適応検索型Masked Diffusion (ARAM) を提案する。 ARAMは、検索した文脈によって誘導される分布シフトのSNR(Signal-to-Noise Ratio)に従って、雑音発生時の誘導スケールを校正する。 複数の知識集約型QAベンチマークの実験は、ARAMが競争力のあるRAGベースラインよりも全体的なQA性能を改善することを示している。
  論文  参考訳（メタデータ） (2026-03-18T12:54:50Z)
• Principled Context Engineering for RAG: Statistical Guarantees via Conformal Prediction [40.28465841863481]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルにおける現実的な基盤を強化する。 既存の前世代のフィルターは信頼性のスコアに依存しており、保持された証拠に対する統計的制御を提供していない。 本研究では,コンフォメーション予測によるコンテキスト工学の実証を行う。
  論文  参考訳（メタデータ） (2025-11-22T04:17:06Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
  抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。 提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
  論文  参考訳（メタデータ） (2023-11-16T02:56:29Z)

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。