基于AIS的海事异常检测无监督学习的新评估指标：MADQI
本论文提出了一种名为海事异常检测质量指数（MADQI）的新复合指标，用于无需标记数据即可评估无监督学习模型在海事自动识别系统（AIS）数据中的异常检测性能。该框架整合了四个指标：异常率一致性（ARC）、物理合理性分数（PPS）、分数分布分离度（SDS）和极端案例证据（ECE），并通过多块评估和自适应缩放进行自动归一化。实验显示MADQI得分80.37%，其中ECE和ARC分别达到0.907和1.000，表明该框架在检测极端异常和保持异常率一致性方面表现出色。
来自土耳其等机构的研究人员（Ismet Gocer及其合作者）近日在arXiv上提交了一篇论文（arXiv:2605.30388），提出了一种名为海事异常检测质量指数（MADQI）的新型评估指标，旨在解决无监督学习在海事自动识别系统（AIS）数据异常检测中缺乏系统评估方法的问题。该论文于2026年5月28日提交，全文共26页，主题为机器学习（cs.LG）。
海事AIS数据记录了船舶的移动信息，包括速度、位置、时间戳和转向角等。异常检测对于识别非法捕鱼、碰撞风险、走私等海上安全威胁至关重要。然而，目前广泛使用的无监督算法（如孤立森林）虽然能检测异常，却难以进行有意义的性能评估，因为真实标签往往缺失。
MADQI是一个复合指标，它通过四个子指标从不同维度评估检测结果：异常率一致性（ARC）衡量检测出的异常比例是否稳定；物理合理性分数（PPS）评估异常是否符合物理规律（如速度突变是否合理）；分数分布分离度（SDS）量化正常与异常样本分数的分离程度；极端案例证据（ECE）检测模型是否能够发现最极端的异常。这些子指标通过多块评估和自适应缩放技术自动归一化，最终合成为一个综合分数。
该框架基于哈弗辛公式计算AIS数据点之间的空间距离，并结合行为特征（如速度变化、转向角度）来识别异常。多块评估技术将数据集划分为多个子集，分别计算各子集的指标后取均值，从而保证评估的稳定性。自适应缩放则根据数据分布自动调整各子指标的权重，避免人为偏差。
实验采用真实AIS数据集，结果显示MADQI整体得分为80.37%，其中ECE和ARC分别达到0.907和1.000，表明该方法在识别极端异常和保持检测一致性方面能力突出。PPS和SDS的得分也较为合理，进一步验证了框架的综合性。
研究人员指出，该框架为无监督海事异常检测提供了一种可靠且富有意义的评估手段，未来可进一步扩展至其他类型的传感器数据或实时监控场景。该论文的引用信息为：arXiv:2605.30388 [cs.LG]，DOI: 10.48550/arXiv.2605.30388。相关工具和资源已通过arXivLabs等平台公开，便于社区复现和进一步研究。