基于AIS的海上异常检测中无监督学习的新型评估指标:MADQI
摘要
本文介绍了MADQI,一种在无需标注数据的情况下评估海上AIS数据中无监督异常检测的复合指标。该框架结合了四个指标,在测试数据集上取得了80.37%的MADQI分数。
arXiv:2605.30388v1 公告类型:新
摘要:本文介绍了一个用于检测海上自动识别系统(AIS)数据集中异常的新系统性框架。这些异常包括与速度、位置跳变、时间间隔和转向角度相关的异常船舶行为。尽管诸如孤立森林之类的无监督学习算法被广泛用于检测异常船舶运动,但它们往往缺乏系统且富有意义的评估措施。为解决这一局限,我们提出了一种新颖的质量指标,称为海上异常检测质量指数(MADQI)。所提出的MADQI是一种复合指标,旨在无需标注数据的情况下评估机器学习模型的异常检测性能。该框架利用Haversine距离计算来分析AIS数据集,并根据空间和行为特征识别异常。所提出的MADQI评估框架集成了四个相互关联的指标:异常率一致性(ARC)、物理合理性得分(PPS)、得分分布分离度(SDS)和极端案例证据(ECE)。这些指标通过多块评估和自适应缩放技术进行自动归一化组合。在AIS数据集上的实验结果表明,所提出的框架取得了80.37%的MADQI分数,证明了其在无监督异常检测中的有效性。特别地,该算法在识别异常船舶行为方面表现强劲。在单个MADQI组件中,ECE和ARC分别取得了0.907和1.000的分数,表明其在检测极端异常和保持异常率一致性方面具有出色能力。总体而言,这些结果令人鼓舞,表明所提出的框架为评估海上AIS数据中的无监督异常检测提供了一种可靠且富有意义的方法。
查看缓存全文
缓存时间: 2026/06/01 09:23
# 基于AIS的海上异常检测无监督学习的新型评估指标:MADQI 来源:https://arxiv.org/abs/2605.30388 查看 PDF (https://arxiv.org/pdf/2605.30388) > **摘要**:本文提出了一种新的系统框架,用于检测海上自动识别系统(AIS)数据集中的异常。这些异常包括与速度、位置跳跃、时间间隔和转向角度相关的异常船只行为。尽管孤立森林等无监督学习算法被广泛用于检测异常船只运动,但它们通常缺乏系统且有意义的评估措施。为解决这一局限,我们提出了一种名为“海上异常检测质量指数”(MADQI)的新型质量指标。所提出的MADQI是一个复合指数,旨在无需标注数据的情况下评估机器学习模型的异常检测性能。该框架使用Haversine距离计算来分析AIS数据集,并根据空间和行为特征识别异常。所提出的MADQI评估框架整合了四个相互关联的指标:异常率一致性(ARC)、物理合理性得分(PPS)、得分分布分离度(SDS)和极端案例证据(ECE)。这些指标通过多块评估和自适应缩放技术进行自动归一化。在AIS数据集上的实验结果表明,该框架的MADQI得分为80.37%,证明了其在无监督异常检测中的有效性。特别是,该算法在识别异常船只行为方面表现强劲。在MADQI的各个组件中,ECE和ARC分别达到0.907和1.000,表明其在检测极端异常和保持异常率一致性方面具有出色能力。总体而言,这些结果令人鼓舞,表明所提出的框架为评估海上AIS数据中的无监督异常检测提供了一种可靠且有意义的途径。 ## 提交历史 来自:Ismet Gocer \[查看邮件 (https://arxiv.org/show-email/84c5b6a8/2605.30388)\] **\[v1\]** 2026年5月28日星期四 11:02:41 UTC (4,999 KB)
相似文章
RobustMAD:评估多模态小语言模型在可部署异常检测助手中的实际鲁棒性
RobustMAD 引入了一个基准,用于评估多模态小语言模型在实际部署的工业异常检测助手中的鲁棒性。它揭示了关键的失败模式,并为下一代系统提供了指导。
MoCo-AIS:一种用于船只轨迹相似度计算的对比学习框架
MoCo-AIS 是一个统一的对比学习框架,用于计算船只轨迹的相似度,并在大规模AIS数据集上进行了评估。
# 先规划,再判断,跑得更好:一个受DMAIC启发的工业异常检测智能体系统
DMAIC-IAD 是一个多智能体大语言模型系统,其设计灵感来源于 DMAIC 质量管理框架,专为工业异常检测而构建。该系统采用"先规划、后判断"的方法,通过标准化操作流程制定检测策略,并利用无需执行的裁判模型对策略进行排序,在四种数据模态上相较于智能体基线实现了 37.76% 的性能提升。
MIDAS:面向不完整多模态情感分析的互信息解缠与不确定性感知融合
本文提出MIDAS,一种用于不完整多模态情感分析的统一框架,利用互信息解缠和不确定性感知融合,在缺失数据条件下鲁棒地表示和整合模态。
LQS v3.1 — 一种用于评估AI训练数据的开放方法(多预言机共识 + 签名证书)[P]
作者介绍了LQS v3.1,一种使用多预言机共识和签名证书评估AI训练数据的开放方法,并附有已发表的论文和公共指数。该方法旨在解决AI训练数据市场中独立质量评估的瓶颈问题。