网格之外的时空图: 航海异常检测基准
机器学习
2025-12-24 v1 人工智能
摘要
时空图神经网络 (ST-GNN) 在具有固定节点结构的领域（如道路交通和公共交通）取得了显著的成功。在这些领域中，空间实体可自然地表示为固定节点。相比之下，许多现实系统（包括航海交通）缺乏此类固定锚点，使得时空图的构建成为根本性挑战。由于缺乏规范参考点、轨迹的稀疏性和不规则性，以及异常现象可能在多个尺度上显现，针对这些非网格环境中的异常检测尤为困难。本文引入了一个用于航海领域异常检测的新型基准数据集，将开放航海交通分析数据集 (OMTAD) 扩展为针对图基异常检测优化的基准。我们的数据集支持在三个不同尺度上进行系统评估：节点级、边级和图级异常。我们计划采用两种专门的基于大语言模型的智能体：Trajectory Synthesizer 和 Anomaly Injector 来构建更丰富的交互情境并生成语义上有意义的异常。我们期望该基准能够促进可重复性研究，并推动针对非网格时空系统异常检测方法论的进展。
引用
@article{arxiv.2512.20086,
title = {Spatio-Temporal Graphs Beyond Grids: Benchmark for Maritime Anomaly Detection},
author = {Jeehong Kim and Youngseok Hwang and Minchan Kim and Sungho Bae and Hyunwoo Park},
journal= {arXiv preprint arXiv:2512.20086},
year = {2025}
}
备注
Accepted at NeurIPS 2025 Workshop in AI for Science: The Reach and Limits of AI for Scientific Discovery