Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
해양 이상 탐지를 위해 희소한 컨텍스트 분포에서도 안정적인 성능을 내는 RGFiLM 모듈을 제안합니다. 데이터 기반 희소성 점수를 활용해 컨텍스트 변조 강도를 조절함으로써 오경보를 줄이고 탐지 성능을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기컨텍스트적 이상 탐지(Contextual anomaly detection)는 컨텍스트 변수에 조건화된 비정상적인 행동을 식별하는 것을 목표로 하지만, 실제 배포 환경에서는 드문 레짐(rare regimes)이 중요한 정보를 담고 있는 고도로 불균형한 컨텍스트 분포에 직면하는 경우가 많습니다. 이러한 빈도 편향(frequency bias) 하에서 컨텍스트 조건화 모델은 불안정한 의사결정을 내리거나 희소한 컨텍스트에서 과도한 오경보를 발생시킬 수 있습니다. 우리는 특징별 선형 변조(Feature-wise Linear Modulation, FLM)의 일종인 희소성 인식 조건화 모듈(rarity-aware conditioning module), Rarity-Gated Feature-wise Linear Modulation (RGFiLM)을 제안합니다. RGFiLM은 특징별 변조(즉, 은닉 특징에 대한 컨텍스트 조건화 스케일링 및 시프팅)와 데이터 기반 희소성 점수(rarity score)가 제어하는 게이트를 결합합니다. 이 희소성 점수는 컨텍스트 변수의 경험적 분포로부터 추정되며, 컨텍스트가 중간 표현을 얼마나 강하게 변조할지 조절합니다: 게이트는 희소한 컨텍스트에서는 더 결정적으로(decisive) 작동하고 빈번한 컨텍스트에서는 보수적으로(conservative) 유지됩니다. 우리는 환경 민감형 우회 시나리오에서 AIS 이동 시퀀스와 ERA5 환경 컨텍스트를 사용한 해양 궤적 이상 탐지에 RGFiLM을 평가했습니다. 순차적 이상 점수화 파이프라인에 구현되었을 때, RGFiLM은 비교된 컨텍스트 비의존형 및 컨텍스트 조건화 방법들 중에서 가장 우수한 평균 F1–오탐률(False Positive Rate, FPR) 트레이드오프를 달성했습니다. 이러한 결과는 컨텍스트 희소성을 명시적으로 고려하는 것이 컨텍스트 민감형 이상 탐지에서 오경보를 줄이는 효과적인 접근 방식임을 시사합니다.