Reliability-Guided Spectrum Generative Augmentation for Few-Shot Emitter Identification in Mobile Networks

Resumen Técnico: Aumento Generativo de Espectro Guiado por la Fiabilidad para la Identificación de Emisores de Pocas Muestras (Few-Shot)

Planteamiento del Problema
En las redes móviles de próxima generación, el espectro electromagnético funciona como un entorno interactivo donde la comunicación, la detección y el control autónomo están acoplados. La Identificación de Emisores Específicos (SEI, por sus siglas en inglés) es crítica para asegurar este entorno, distinguiendo transmisores mediante huellas radioeléctricas (RFFs) dependientes del hardware. Sin embargo, en escenarios dinámicos como redes móviles de baja altitud o infraestructuras autoorganizadas, los emisores recién accedidos o visiblemente intermitentes suelen proporcionar solo unas pocas observaciones etiquetadas. Los modelos convencionales de aprendizaje profundo, que asumen una abundancia de datos etiquetados, tienen dificultades en estas condiciones de pocas muestras (few-shot), ya que tienden a ajustarse al ruido incidental o a las distorsiones del canal en lugar de a las características estables de la RFF. Además, aunque el aumento generativo puede expandir los conjuntos de datos limitados, tratar las muestras sintéticas como observaciones totalmente confiables conlleva el riesgo de sesgar los límites de decisión y propagar información de identidad incorrecta hacia las decisiones de espectro posteriores.

Metodología: RSGA-SEI
El artículo propone RSGA-SEI (Aumento Generativo de Espectro Guiado por la Fiabilidad), un marco diseñado para la "inteligencia de espectro incorporada". El enfoque opera en un flujo de trabajo de bucle cerrado que comprende tres etapas principales:

1. Representación CSI: Las observaciones de banda base se transforman en muestras de Imagen de Contorno Stella (CSI). Esto mapea las distribuciones de muestreo en fase (I) y cuadratura (Q) en patrones de densidad 2D, preservando la amplitud, la fase y la información de densidad local en un formato visual adecuado para el aprendizaje profundo.
2. SAGA (Aumento Generativo Consciente del Espectro): Este módulo sintetiza muestras CSI auxiliares para expandir el conjunto de soporte. Emplea:
   • SCPE (Codificador de Prior de Contexto de Espectro): Extrae tanto pistas de textura/contorno local como el contexto espacial global de las imágenes CSI.
   • NVDR (Regularización de Diversidad de Vista de Vecindad): Evita que el generador produzca imágenes redundantes mediante la imposición de diversidad en las vistas latentes vecinas, manteniendo al mismo tiempo la alineación semántica.
   • DPCD (Discriminación de Consistencia de Doble Prior): Utiliza discriminadores locales y conscientes del contexto para asegurar que las muestras generadas sean físicamente consistentes con los datos reales, minimizando el desacuerdo entre las vistas previas.
3. SE-RWC (Clasificador de Pesos de Fiabilidad Embebido en el Espectro): A diferencia de los métodos que optimizan la geometría de los prototipos, el SE-RWC utiliza las muestras de soporte medidas como el único "ancla de confianza".
   • Calcula los prototipos de clase y la dispersión basándose únicamente en datos reales.
   • Las muestras generadas reciben pesos de fiabilidad suaves basados en su distancia de características respecto a los prototipos reales. Las muestras con alta consistencia reciben pesos mayores, mientras que los datos sintéticos inconsistentes son penalizados con un peso menor.
   • El clasificador se entrena utilizando una pérdida de entropía cruzada ponderada, asegurando que la evidencia sintética no fiable no distorsione el límite de decisión.
   • Crucialmente, la generación y la calificación de fiabilidad ocurren únicamente durante el entrenamiento. La ruta de inferencia en línea permanece compacta, utilizando solo el clasificador ligero entrenado.

Contribuciones Clave

• Formulación: Los autores plantean la SEI de pocas muestras como un problema de reconocimiento embebido en el espectro, vinculando la identificación con los bucles de retroalimentación de percepción, decisión y acción.
• Diseño del Marco: La introducción de RSGA-SEI, que convierte los datos de banda base a CSI, expande el conjunto de soporte mediante síntesis consciente del espectro y calibra la contribución de los datos sintéticos mediante la ponderación de fiabilidad.
• Calibración de Fiabilidad: El diseño del SE-RWC, que evita la optimización pesada de la geometría del prototipo. En su lugar, utiliza prototipos de soporte reales para asignar pesos suaves a las muestras generadas, manteniendo simple la ruta de despliegue.
• Evaluación Exhaustiva: El estudio valida el método mediante comparaciones de 5 muestras (5-shot), estudios de ablación, generalización de múltiples muestras, análisis de robustez de la SNR e indicadores de complejidad.

Resultados Experimentales
Evaluado en el conjunto de datos NJUPT-RFF (7 emisores, entrenamiento de 5 muestras, consulta de 50 muestras):

• Precisión: RSGA-SEI logró una precisión del 87.14% en la configuración de 5 muestras. Esto representa una mejora de 13.71 puntos porcentuales sobre la línea base de CSI no aumentada (73.43%) y una ganancia de 3.43 puntos porcentuales sobre el uso de SAGA por sí solo sin ponderación de fiabilidad (83.71%).
• Ablación: El estudio confirmó que el principal cuello de botella es la escasez de muestras (gran ganancia de CSI a CSI+SAGA) y que la fiabilidad debe ser una señal graduada en lugar de un filtro binario (ganancias progresivas desde el filtrado estricto hasta la ponderación suave y el SE-RWC completo).
• Robustez: El método mantuvo un rendimiento superior en diversas relaciones señal-ruido (SNR), particularmente en rangos de SNR de baja a media (por ejemplo, +3.14% sobre CSI-DA a 5 dB), demostando que la ponderación de fiabilidad suprime eficazmente las muestras sintéticas perjudiciales en condiciones ruidosas.
• Estabilidad: A medida que el tamaño del conjunto de soporte aumentó (de 5 a 30 muestras), el Kappa de Cohen mejoró de 0.850 a 0.940, y el coeficiente de variación disminuyó, lo que indica estimaciones de fiabilidad de prototipos estables.
• Complejidad: Aunque el entrenamiento es computacionalmente más pesado debido a la generación y calibración, la ruta de inferencia en línea permanece compacta (backbone ResNet-18). La latencia de inferencia aumentó solo marginalmente de 3.6 ms a 3.7 ms, con recuentos de parámetros que se mantienen en 11.18M.

Significancia y Reivindicaciones
El artículo afirma que RSGA-SEI aborda una brecha crítica en la inteligencia de espectro incorporada: la necesidad de un aprendizaje de pocas muestras robusto que no comprometa la integridad del bucle de decisión con datos sintéticos no fiables. Al desacoplar la fase de generación/calibración de la fase de inferencia en línea, el marco soporta sistemas móviles adaptativos donde los resultados de reconocimiento influyen directamente en el acceso al espectro y la coordinación de recursos. Los autores enfatizan que su enfoque conecta la percepción del espectro, la expansión de muestras y el reconocimiento de emisores en un flujo de trabajo de bucle cerrado compacto, ofreciendo una solución práctica para escenarios donde los datos etiquetados son escasos pero la identificación fiable y en tiempo real es esencial. El método se presenta como un paso hacia infraestructuras inalámbricas autoorganizadas y seguras, aunque los autores señalan modestamente limitaciones respecto a conjuntos de soporte extremadamente pequeños o modos físicos faltantes en el generador.