來自土耳其等機構的研究人員（Ismet Gocer及其合作者）近日在arXiv上提交了一篇論文（arXiv:2605.30388），提出了一種名為海事異常檢測質量指數（MADQI）的新型評估指標，旨在解決無監督學習在海事自動識別系統（AIS）數據異常檢測中缺乏系統評估方法的問題。該論文於2026年5月28日提交，全文共26頁，主題為機器學習（cs.LG）。
海事AIS數據記錄了船舶的移動信息，包括速度、位置、時間戳和轉向角等。異常檢測對於識別非法捕魚、碰撞風險、走私等海上安全威脅至關重要。然而，目前廣泛使用的無監督算法（如孤立森林）雖然能檢測異常，卻難以進行有意義的性能評估，因為真實標籤往往缺失。
MADQI是一個複合指標，它通過四個子指標從不同維度評估檢測結果：異常率一致性（ARC）衡量檢測出的異常比例是否穩定；物理合理性分數（PPS）評估異常是否符合物理規律（如速度突變是否合理）；分數分佈分離度（SDS）量化正常與異常樣本分數的分離程度；極端案例證據（ECE）檢測模型是否能夠發現最極端的異常。這些子指標通過多塊評估和自適應縮放技術自動歸一化，最終合成為一個綜合分數。
該框架基於哈弗辛公式計算AIS數據點之間的空間距離，並結合行為特徵（如速度變化、轉向角度）來識別異常。多塊評估技術將數據集劃分為多個子集，分別計算各子集的指標後取均值，從而保證評估的穩定性。自適應縮放則根據數據分佈自動調整各子指標的權重，避免人為偏差。
實驗採用真實AIS數據集，結果顯示MADQI整體得分為80.37%，其中ECE和ARC分別達到0.907和1.000，表明該方法在識別極端異常和保持檢測一致性方面能力突出。PPS和SDS的得分也較為合理，進一步驗證了框架的綜合性。
研究人員指出，該框架為無監督海事異常檢測提供了一種可靠且富有意義的評估手段，未來可進一步擴展至其他類型的傳感器數據或實時監控場景。該論文的引用信息為：arXiv:2605.30388 [cs.LG]，DOI: 10.48550/arXiv.2605.30388。相關工具和資源已通過arXivLabs等平台公開，便於社區復現和進一步研究。