AeroTSBoost: Temporal-Statistical Boosting for Real-World UAV Telemetry Anomaly Mining

Resumen Técnico: AeroTSBoost

Formulación del Problema
El artículo aborda el desafío de extraer anomalías de los registros de estimación de estado de Vehículos Aéreos No Tripulados (UAV). Estos registros presentan un problema complejo de minería de datos caracterizado por fuentes de datos heterogéneas (fusión de señales inerciales, barométricas, magnéticas, visuales y GPS), etiquetado escaso de anomalías y disponibilidad variable de sensores con valores faltantes. Los autores argumentan que, aunque los detectores recientes de anomalías en series temporales multivariadas han avanzado mediante mecanismos de reconstrucción, pronóstico y atención, a menudo no abordan las particularidades prácticas de la telemetría operativa de UAV: muestreo irregular, la escasez de anomalías (donde el AUROC puede ser engañoso) y el hecho de que las pérdidas de reconstrucción no supervisadas no optimizan necesariamente la detección de eventos etiquetados y escasos.

Metodología: AeroTSBoost
La solución propuesta, AeroTSBoost, es un marco de refuerzo temporal-estadístico supervisado diseñado para convertir registros de vuelo brutos en un sistema robusto de detección de anomalías. La tubería consta de tres etapas principales:

1. Alineación y Ventanización de Datos: Los registros PX4 brutos se alinean a una cuadrícula común de 10 Hz. Los valores faltantes se reparan determinísticamente mediante interpolación bidireccional y relleno con ceros. Los datos se estandarizan utilizando únicamente estadísticas de la división de entrenamiento. Los registros se cortan en ventanas de longitud fija ($L=96$, paso $8$, horizonte $12$). Una ventana se etiqueta como positiva si se superpone o precede inmediatamente a un intervalo de anomalía anotado.
2. Minería de Descriptores Temporal-Estadísticos: En lugar de utilizar extracción estocástica de características neuronales, AeroTSBoost transforma cada ventana multivariada en un vector de características determinista. Para cada uno de los $d$ canales de telemetría (87 canales en el conjunto de datos UAV-SEAD), el método calcula un vector descriptor de 18 dimensiones que contiene:
   • Momentos y Extremos: Media, desviación estándar, mínimo, máximo y rango.
   • Cuantiles: Percentiles 10, 25, 50, 75 y 90.
   • Dinámica de Puntos Extremos: Valor inicial, valor final y deriva de punto extremo ($w_L - w_1$).
   • Derivadas: Media, desviación estándar y máximo de las diferencias de primer orden.
   • Autocorrelación: Autocorrelación de retardo uno.
     Esto resulta en un vector de características de $18d$ dimensiones (1.566 características para UAV-SEAD) que captura cambios distribucionales, estructura de cuantiles, deriva, volatilidad local y dependencias temporales de corto alcance.
3. Detector Potenciado: Los vectores de características se alimentan en un clasificador binario LightGBM equilibrado por clase. El modelo se entrena con hiperparámetros específicos (1.600 árboles, tasa de aprendizaje 0.025, pesos equilibrados) para aprender interacciones no lineales entre canales y grupos de descriptores. La salida es una puntuación de clasificación en lugar de una probabilidad calibrada.

Contribuciones Clave

• Formulación: Los autores enmarcan la minería de anomalías de UAV como un problema de clasificación de ventanas multivariadas evaluado bajo protocolos conscientes de la fuga (cronológico, cronológico purgado y exclusión de registro) en lugar de divisiones aleatorias.
• Marco: Introducción de AeroTSBoost, que extrae evidencia de distribución, cuantiles, deriva, derivadas y autocorrelación de registros de alta dimensión utilizando descriptores deterministas.
• Evaluación Exhaustiva: Una amplia comparación empírica frente a detectores clásicos (PCA, Bosque de Aislamiento, LOF), líneas base tabulares supervisadas (RandomForest, Linear-SGD) y líneas base profundas/estructuradas recientes (GCAD, xLSTMAD, CATCH, LSTM-AE).
• Informe Riguroso: Provisión de resultados con cinco semillas, análisis de precisión-recall, desglose de familias de fallos y validación externa en un conjunto de datos separado de UAV de ala fija (ALFA).

Resultados Experimentales
La evaluación se realizó en el conjunto de datos UAV-SEAD (1.389 registros, 218.537 ventanas) y el conjunto de datos ALFA (fallos de ala fija).

• Rendimiento en UAV-SEAD:
  • Protocolo Cronológico: AeroTSBoost logró la AUPRC más alta de 0.7516 ± 0.0043, superando a la línea base más fuerte que no es AeroTSBoost (RandomForest, 0.6937) por 5.79 puntos absolutos. También logró el mejor F1 de Evento (0.5342).
  • Protocolos Estrictos: Bajo el protocolo cronológico purgado (eliminando ventanas superpuestas en los límites de división), AeroTSBoost mantuvo el liderazgo con una AUPRC de 0.6066 ± 0.0193, superando significativamente a las líneas base profundas (que cayeron a AUPRCs entre 0.11 y 0.14) y a las líneas base tabulares supervisadas.
  • Exclusión de Registro: En la prueba más estricta donde los registros de prueba no se vieron durante el entrenamiento, AeroTSBoost logró una AUPRC de 0.6388 ± 0.0315, superando nuevamente a todas las líneas base.
• Validación Externa en ALFA: En el conjunto de datos de ala fija ALFA, AeroTSBoost logró una AUPRC de exclusión de secuencia de 0.9259 ± 0.0076, superando a RandomForest (0.8835) y a una variante solo de momentos (0.8700).
• Estudios de Ablación: Eliminar los descriptores dinámicos (deriva, derivadas) causó la mayor caída de rendimiento (la AUPRC bajó de 0.7516 a 0.7322), confirmando la importancia de la dinámica temporal. Sin embargo, una variante "solo momentos" permaneció altamente competitiva, lo que sugiere que las estadísticas de bajo orden proporcionan una línea base sólida.

Significado y Afirmaciones
El artículo afirma que las representaciones temporal-estadísticas deterministas siguen siendo altamente competitivas para la minería de anomalías escasas en telemetría operacional de sistemas ciberfísicos. Los autores argumentan que, para este dominio específico, convertir registros en descriptores estadísticos compactos e interpretables y utilizar un detector de árboles potenciados ofrece una estabilidad, reproducibilidad y rendimiento de clasificación superiores en comparación con modelos complejos de reconstrucción o pronóstico neuronal.

Los resultados sugieren que la "incompatibilidad" entre los objetivos comunes de anomalías auto-supervisadas (reconstrucción/pronóstico) y el objetivo de detección de eventos etiquetados escasos en la telemetría de UAV es significativa. Cuando hay etiquetas disponibles, el refuerzo supervisado sobre descriptores temporales bien diseñados puede explotar directamente los límites escasos con una menor varianza de entrenamiento. El artículo concluye que, aunque los modelos profundos no son inherentemente débiles, la estructura específica de los fallos de estimación de estado de UAV (que se manifiestan como cambios, derivas y cambios de volatilidad en múltiples canales) se captura eficazmente mediante evidencia temporal-estadística explícita.

Los autores señalan modestamente limitaciones, incluida la dependencia actual de intervalos etiquetados (que pueden retrasarse en la implementación real), el enfoque en la minería de registros offline (que requiere imputación causal para uso en línea) y la necesidad de una validación adicional en diversas plataformas de UAV. Se propone trabajo futuro para extender el marco hacia la implementación en línea y el diagnóstico de tipos de anomalías.