정답(ground-truth) 라벨이 붙은 인간 이동 궤적 이상치 데이터가 부족한 문제를 해결하기 위해, 현실적인 궤적 이상치를 대규모로 합성하는 종단간 생성 프레임워크를 제안했다. 기존 데이터셋은 정상 이동 패턴만 담고 이상치는 통계적 희소성과 비용·프라이버시 규제 탓에 확보가 어렵다. 제안 구조는 시뮬레이션 기반 궤적 위에서 작동하며, LLM 에이전트로 비정상 체크인이나 일상 방문 누락 같은 의미 있는 행동 이상치를 주입한다. 공간적 타당성을 위해 지도 제약 경로 재구성으로 변경된 체류지 간 물리적 전이를 재계산하고, 환경·위치별 변수로 매개화한 맥락 인지 공간 노이즈 모델을 더해 GPS 센서 열화를 모사함으로써 시뮬레이션-현실 격차를 줄인다.
- •정답 라벨이 붙은 인간 이동 궤적 이상치 데이터 부족을 대규모 합성으로 해결하는 종단간 생성 프레임워크
- •LLM 에이전트로 비정상 체크인·일상 방문 누락 등 의미 있는 행동 이상치를 주입
- •지도 제약 경로 재구성으로 변경된 체류지 간 물리적 전이를 재계산해 공간적 타당성 확보
- •맥락 인지 공간 노이즈 모델로 GPS 센서 열화를 모사해 시뮬레이션-현실 격차 축소
Mobility Anomaly Generation using LLM-Driven Behavior with Kinematic Constraints
- 1.주석된 이상 권리진 부재로 인간 이동 이상탐지 연구가 정체된 문제를 공략
- 2.LLM 에이전트로 비정상 체크인·루틴 방문 누락 등 의미적 이상행동을 주입
- 3.지도 제약 경로 재구성으로 변조된 체류점 간 물리적 전이를 재계산
- 4.맥락인식 공간 노이즈 모델로 GPS 센서 열화를 재현해 현실격차 축소
왜 중요한가?
이상 이벤트의 통계적 희소성과 비용·프라이버시 규제로 정답 라벨 데이터가 부재하던 이동 이상탐지 분야에, 물리 제약을 지키며 라벨된 이상 궤적을 대규모로 합성하는 엔드투엔드 생성 틀을 제공한다.
본문 미리보기
arXiv:2606.10314v1 Announce Type: new Abstract: Although the study of human trajectory anomalies is critical for advancing spatial data mining, empirical research remains severely hindered by a pervasive lack of ground-truth datasets. Despite the availability of several real-world and simulated human trajectory collections, these datasets exclusively capture normal mobility patterns and lack annotated anomalies. This specific scarcity is fundamentally driven by the inherent statistical rarity o
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
