論文の概要: Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies
- arxiv url: http://arxiv.org/abs/2606.29721v1
- Date: Mon, 29 Jun 2026 02:56:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.026075
- Title: Redefining Maritime Anomaly Detection via Equation-Grounded Synthetic Anomalies
- Title（参考訳）: 方程式付き合成異常による海面異常検出の再定義
- Abstract要約: 海上での安全、安全、効率的な交通管理を確保するためには、海上異常検出が不可欠である。
ほとんどの公開可能なAISデータセットには、事前に定義された異常ラベルがない。
LLM誘導型可視性スコアを生成し,それを用いて異常を合成し,タイムスタンプレベルのラベルを割り当てる,統一的なスコア合成ラベルパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 11.891479226134651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Maritime anomaly detection is essential for ensuring maritime safety, security, and efficient traffic management at sea, with Automatic Identification System (AIS) data serving as a primary data source. Despite its importance, most publicly available AIS datasets lack predefined anomaly labels, forcing prior studies to rely on either distribution-based rarity or domain rule/expert-assisted labeling. These approaches, however, face fundamental limitations: statistical rarity often fails to reflect practically critical events, while expert-based labeling is costly, subjective, and difficult to scale. Moreover, both paradigms tend to overlook interaction-driven hazards such as near-miss approaches between vessels. To address these challenges, we propose an equation-grounded anomaly taxonomy that is implementable under a limited AIS observation schema and extensible to other AIS datasets. Specifically, the taxonomy defines three anomaly types: unexpected AIS activity (A1), route deviation (A2), and close approach (A3), covering both single-vessel and inter-vessel anomalies. Building on this taxonomy, we introduce a unified score-synthesize-label pipeline that produces LLM-guided plausibility scores, uses them to synthesize anomalies, and assigns timestamp-level labels. To rigorously assess detection performance, we further design benchmark evaluation settings that account for variations in temporal-window length and anomaly-type composition, and evaluate a broad range of time-series models and anomaly detection models. Together, these contributions provide a systematic basis for evaluating maritime anomaly detection methods across different anomaly types. Our code is available at https://github.com/snudial/open-maritime-anomaly-detection.
- Abstract（参考訳）: 海上における安全,セキュリティ,効率的な交通管理の確保には,海面異常検出が不可欠である。
その重要性にもかかわらず、最も一般に公開されているAISデータセットは、事前定義された異常ラベルを欠き、事前の研究は、分散ベースの希少性またはドメインルール/専門的ラベリングに頼らざるを得なかった。
しかし、これらのアプローチは基本的な制限に直面しており、統計的な希少性は事実上重要な事象を反映しないことが多いが、専門家ベースのラベル付けはコストが高く、主観的で、スケールが難しい。
さらに、どちらのパラダイムも、船間近距離アプローチのような相互作用駆動型ハザードを見落としがちである。
これらの課題に対処するために,AIS観測スキーマが限定され,他のAISデータセットに拡張可能な,方程式基底型異常分類法を提案する。
具体的には, 予期せぬAIS活性(A1), 経路偏差(A2), 接近(A3)の3つの異常タイプを定義し, 単一血管と血管間異常の両方をカバーする。
この分類に基づいて,LSM誘導の可視性スコアを生成し,異常を合成し,タイムスタンプレベルのラベルを割り当てる統一的なスコア合成ラベルパイプラインを導入する。
検出性能を厳格に評価するために、時間-風長と異常型組成の変動を考慮したベンチマーク評価設定を設計し、広範囲の時系列モデルと異常検出モデルを評価する。
これらのコントリビューションは、異なる異常タイプにわたる海洋異常検出方法を評価するための体系的な基盤を提供する。
私たちのコードはhttps://github.com/snudial/open-maritime-anomaly-detectionで公開しています。
関連論文リスト
- A Novel Evaluation Metric for Unsupervised Learning in AIS-Based Maritime Anomaly Detection: MADQI [0.5424799109837065]
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。
論文 参考訳（メタデータ） (2026-05-28T11:02:41Z) - Enhancing Tabular Anomaly Detection via Pseudo-Label-Guided Generation [35.2283498099342]
擬似ラベル誘導型異常生成法PLAGを提案する。
PLAGが8つの代表ベースラインに対して最先端のパフォーマンスを達成することを示す。
柔軟なフレームワークとして、PLAGは既存の教師なし検出器とシームレスに統合される。
論文 参考訳（メタデータ） (2026-04-20T13:42:30Z) - Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。
本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
論文 参考訳（メタデータ） (2026-01-30T12:34:13Z) - 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) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳（メタデータ） (2023-12-26T07:08:06Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - 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) - Latent Outlier Exposure for Anomaly Detection with Contaminated Data [31.446666264334528]
異常検出は、ラベルなしデータセットの大多数のデータから体系的なずれを示すデータポイントを特定することを目的としている。
本稿では,広範囲のモデルと互換性のあるラベルのない異常が存在する場合に,異常検知器を訓練するための戦略を提案する。
論文 参考訳（メタデータ） (2022-02-16T14:21:28Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-15T03:05:39Z)
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。