Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics

Título: Aprendizaje Incremental para la Clasificación de UAVs Desconocidos en Escenario de Conjunto Abierto mediante Semántica de Señales de RF

1. Planteamiento del Problema

El aumento de drones civiles y comerciales ha generado una necesidad crítica de sistemas de identificación basados en Radiofrecuencia (RF) que operen bajo condiciones dinámicas e inciertas.

• Limitación actual: La mayoría de los métodos existentes asumen un escenario de conjunto cerrado (closed-set), donde todas las clases de UAVs son conocidas durante el entrenamiento. En la realidad, surgen constantemente nuevos tipos de drones (por actualizaciones de hardware, firmware o modelos), lo que provoca que los clasificadores tradicionales realicen predicciones erróneas con alta confianza (sobreconfianza) o requieran reentrenamientos costosos.
• Desafíos específicos:
  • Reconocimiento de Conjunto Abierto (OSR): Detectar señales desconocidas sin clasificarlas erróneamente como conocidas.
  • Descubrimiento de Nuevas Clases: Agrupar las señales rechazadas en nuevas categorías coherentes.
  • Aprendizaje Incremental (IL): Integrar estas nuevas clases sin olvidar las anteriores (evitar el "olvido catastrófico"), todo ello bajo restricciones estrictas de memoria y latencia en sistemas desplegados en campo.

2. Metodología Propuesta

Los autores proponen un marco unificado de aprendizaje incremental de conjunto abierto que integra tres módulos principales en una sola tubería escalable:

• A. Aprendizaje de Incrustación Semántica (Semantic Embedding):

  • Las señales RF crudas (muestras I/Q) se transforman en espectrogramas mediante la Transformada de Fourier de Tiempo Corto (STFT).
  • Se utiliza un codificador híbrido con dos ramas:
    1. Un extractor de texturas basado en CNN (convoluciones dilatadas) para capturar texturas espectrales de banda ancha.
    2. Un codificador basado en Transformers para modelar dependencias de largo alcance y preservar la localización tiempo-frecuencia.
  • Las características se fusionan en un espacio de incrustación compacto ($z$) optimizado mediante una función de pérdida compuesta que fomenta la compacidad intraclase y la separación interclase.

• B. Reconocimiento de Conjunto Abierto (OSR):

  • Las clases conocidas se modelan mediante estadísticas gaussianas (media $\mu_k$ y covarianza $\Sigma_k$) en el espacio de características.
  • Durante la inferencia, se calcula la distancia de Mahalanobis entre una nueva muestra y las distribuciones de las clases conocidas.
  • Se aplica la regla de tres sigmas para definir un umbral de aceptación dinámico. Si la distancia supera el umbral, la muestra se rechaza y se envía a un búfer de "desconocidos" para su posterior análisis.

• C. Descubrimiento de Nuevas Clases mediante Agrupamiento (Clustering):

  • Las muestras rechazadas se someten a un proceso de agrupamiento no supervisado.
  • Se evalúan dos algoritmos candidatos: K-Means y Modelos de Mezcla Gaussiana (GMM).
  • Se introduce una estrategia de selección automática basada en una puntuación de validez compuesta ($Q(k)$) que integra métricas como Silueta, Calinski-Harabasz, Davies-Bouldin y varianza explicada.
  • Se selecciona el número óptimo de clústeres y el algoritmo que maximice esta puntuación, filtrando luego por pureza y tamaño para definir nuevas categorías válidas.

• D. Aprendizaje Incremental con Replay Ligero:

  • Una vez identificadas las nuevas clases, se actualiza el clasificador principal.
  • Para mitigar el olvido catastrófico, se utiliza un mecanismo de replay (repetición) con memoria acotada. Se almacena un número limitado de muestras representativas de las clases antiguas en una memoria $M$.
  • Durante la actualización, se entrena con mini-lotes mezclados de nuevas clases y muestras de replay, optimizando la pérdida de entropía cruzada sin necesidad de reentrenar desde cero.

3. Contribuciones Clave

1. Marco Unificado: Integración de detección de conjunto abierto, descubrimiento de clases basado en agrupamiento y aprendizaje incremental en un solo pipeline escalable.
2. Estrategia de Agrupamiento Robusta: Uso de métricas de validez compuestas y selección automática del modelo (K-Means vs. GMM) para garantizar el descubrimiento fiable de nuevas clases en condiciones de RF ruidosas.
3. Mecanismo de Aprendizaje Eficiente: Implementación de una estrategia de replay con memoria acotada que mejora la retención de conocimientos y minimiza el costo computacional y de almacenamiento.

4. Resultados Experimentales

El marco se evaluó en un conjunto de datos real de RF de UAVs con 24 clases (18 conocidas para entrenamiento y 6 desconocidas para evaluación).

• Detección de Conjunto Abierto: El modelo logró separar eficazmente las señales desconocidas de las conocidas, evitando clasificaciones erróneas con alta confianza. La matriz de confusión mostró una fuerte dominancia diagonal para las clases conocidas.
• Desempeño de Agrupamiento:
  • La estrategia compuesta seleccionó automáticamente K-Means como el mejor modelo (Puntuación compuesta: 0.770, Pureza: 0.921) frente a GMM.
  • La visualización t-SNE confirmó una fuerte alineación entre los clústeres predichos y las clases verdaderas desconocidas, aunque se observó cierta fragmentación debido a la variabilidad intraclase (diferentes modos operativos) y efectos del canal.
• Aprendizaje Incremental:
  • Sin replay: La precisión en clases antiguas cayó al 0% (olvido catastrófico).
  • Con replay mínimo (5 muestras por clase): Se recuperó el 100% de precisión en clases antiguas manteniendo ~98% en las nuevas.
  • Aumentar el presupuesto de memoria más allá de lo mínimo no mejoró significativamente los resultados, demostrando la eficiencia del enfoque.

5. Significado e Impacto

Este trabajo es significativo porque aborda la brecha entre la teoría de aprendizaje automático y la realidad operativa de la vigilancia de drones:

• Adaptabilidad en Tiempo Real: Permite que los sistemas de vigilancia evolucionen con el entorno, aprendiendo nuevos drones sin intervención humana constante ni reentrenamiento masivo.
• Eficiencia de Recursos: Al utilizar mecanismos de memoria acotada y detección estadística ligera, el sistema es viable para su implementación en hardware embebido con recursos limitados.
• Seguridad Operativa: Reduce el riesgo de falsos negativos o clasificaciones erróneas en espacios aéreos dinámicos, mejorando la seguridad y la privacidad.

En conclusión, el marco propuesto establece una base sólida para la inteligencia de señales de RF de por vida (lifelong RF signal intelligence), permitiendo una clasificación escalable y robusta en un mundo abierto y en constante cambio.