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 <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\sim 40 {\%}$</tex> 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».