Navigating the Annotation Bottleneck: Active Learning for Scalable Maritime Data Analytics
Notice bibliographique
Résumé
The analysis of maritime vessel trajectories is critical for enhancing safety, security, and operational efficiency in global shipping. However, large-scale manual annotation of Automatic Identification System (AIS) data remains a significant bottleneck due to its labour-intensive and costly nature. This paper introduces a novel Active Learning (AL) framework for trajectory classification, designed to minimize annotation effort while maintaining high model performance. The approach leverages time-series transformer embeddings to generate compact, temporally informed representations of vessel tracks, which are clustered to enable diversity-aware sampling. Four AL strategies - random, uncertainty-based, diversity-based, and a hybrid uncertainty-diversity approach - are evaluated within a scalable pipeline that integrates a vector database for efficient retrieval and a lightweight neural network for classification. Experiments on 5,000 vessel tracks demonstrate that the hybrid strategy achieves a Macro F1-score of 0.736 and Macro Precision of 0.784, while reducing labelling requirements by$\sim 40 {\%}$compared to random sampling. Through 70 AL iterations, the hybrid sampling method balances exploration (diverse featurespace coverage) and exploitation (high-uncertainty sample selection), accelerating learning convergence. The framework's scalability is validated via integration with vector search infrastructure, enabling real-time deployment. Beyond maritime data analytics, this work generalizes to other time-series domains, such as air traffic management (ADS-B), IoT sensor streams, logistics, and Mobile Advertising Identification (MAID) data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».