Uncertainty-Guided Label Rebalancing for CPS Safety Monitoring

Each language version is independently generated for its own context, not a direct translation.

🚁 Le Dilemme du Gardien de Sécurité : Comment trouver l'aiguille dans la botte de foin ?

Imaginez que vous êtes responsable de la sécurité d'une flotte de drones (des voitures volantes sans pilote). Votre travail est de surveiller en permanence leurs mouvements pour détecter tout signe de danger avant qu'ils ne s'écrasent.

Le problème ? C'est comme chercher une aiguille dans une botte de foin, mais l'aiguille est extrêmement rare.

Sur 47 heures de vol, 46 heures se passent parfaitement bien (c'est le "Safe").
Seule 1 heure contient un vrai danger (c'est le "Unsafe").

Si vous entraînez un robot (une intelligence artificielle) à surveiller ces drones avec ces données, il va devenir très "paresseux". Il va apprendre à crier "Tout va bien !" 99 % du temps. Comme il a raison 99 % du temps, son score de réussite sera excellent, mais il ne détectera jamais les accidents. C'est le piège des données déséquilibrées.

🧠 L'Idée Géniale : "U-Balance"

Les chercheurs de l'Université de Limerick (Irlande) ont proposé une solution appelée U-Balance. Au lieu de forcer l'ordinateur à inventer de faux accidents (ce qui est souvent faux et inutile), ils utilisent un indice subtil : l'incertitude.

Voici comment ça marche, étape par étape, avec une analogie simple :

1. Le Détecteur de "Nervosité" (Le Prédicteur d'Incertitude)

Imaginez que vous observez un pilote de drone.

Vol sûr et calme : Le drone vole droit, stable, comme un promeneur tranquille.
Vol dangereux : Le drone est en train de s'écraser, il est paniqué.
Le cas intéressant (L'Incertitude) : Parfois, le drone est techniquement "en sécurité" (il ne va pas s'écraser tout de suite), mais il hésite. Il fait des mouvements brusques, change de direction vite, comme un conducteur qui a peur et qui freine brusquement sans raison apparente.

Les chercheurs ont créé un petit cerveau artificiel (un GatedMLP) qui ne regarde pas seulement où va le drone, mais comment il se comporte. Il calcule un "score de nervosité". Si le drone fait des mouvements erratiques, le score d'incertitude monte, même si le drone n'est pas encore en train de s'écraser.

2. Le Rééquilibrage Intelligent (uLNR)

C'est ici que la magie opère. Traditionnellement, les experts disent : "Ajoutez plus d'exemples d'accidents pour entraîner le robot." Mais créer de faux accidents est difficile.

U-Balance fait quelque chose de plus malin : Il change l'étiquette de certains cas.

Il prend les moments où le drone était "sûr" (étiquette 0) mais très nerveux (score d'incertitude élevé).
Il se dit : "Attends, ce drone a eu peur. Même s'il n'a pas crashé, c'était une situation limite. C'est presque un accident."
Il recolle une étiquette sur ces moments : au lieu de dire "Sûr", il dit "Potentiellement Dangereux" (Unsafe).

L'analogie du détective :
Imaginez un détective qui cherche un criminel. Au lieu de chercher uniquement les gens qui ont déjà commis un crime (très rares), il commence à surveiller de près les gens qui ont l'air très nerveux et qui font des mouvements suspects, même s'ils n'ont pas encore volé. En les traitant comme des suspects, il apprend à mieux repérer les vrais criminels.

3. Le Gardien Final (Le Prédicteur de Sécurité)

Une fois que le robot a vu beaucoup plus de situations "limites" et "nervosité" (grâce au réétiquetage), il est entraîné pour devenir un expert. Il apprend à dire : "Ah, ce mouvement bizarre, ce n'est pas juste un caprice, c'est un signe de danger imminent !"

🏆 Les Résultats : Pourquoi c'est impressionnant ?

Les chercheurs ont testé cette méthode sur une énorme base de données de drones (plus de 1 500 vols).

Les anciennes méthodes : Elles étaient soit trop lentes, soit elles rataient la plupart des accidents (elles ne voyaient que 50% des dangers).
U-Balance : Il a réussi à détecter 82% des dangers tout en restant précis. C'est une amélioration massive (plus de 14 points de plus que les meilleurs concurrents).

De plus, c'est rapide ! Le système peut prendre une décision en quelques millisecondes, ce qui est assez rapide pour intervenir en temps réel si un drone commence à dévier.

💡 En Résumé

Ce papier nous dit que pour protéger les systèmes complexes (comme les drones), il ne faut pas seulement regarder ce qui s'est passé (les accidents), mais aussi comment le système a réagi (l'incertitude).

En utilisant l'incertitude comme un signal d'alarme pour rééquilibrer l'apprentissage, U-Balance transforme un robot "paresseux" qui ignore les dangers en un gardien vigilant capable de repérer les situations à risque avant qu'il ne soit trop tard. C'est une façon intelligente de dire : "Si ça a l'air bizarre, c'est peut-être dangereux, même si tout semble normal."

Each language version is independently generated for its own context, not a direct translation.

1. Problématique

La surveillance de la sécurité est cruciale pour les Systèmes Cyber-Physiques (CPS), tels que les drones (UAV), afin de prévenir les accidents. Cependant, l'apprentissage supervisé pour cette tâche se heurte à deux défis majeurs :

Déséquilibre extrême des classes : Dans les opérations réelles, les événements dangereux (classe minoritaire) sont très rares par rapport aux états sûrs (classe majoritaire). Par exemple, le jeu de données utilisé présente un ratio de 46:1 (sûr vs dangereux). Les modèles entraînés sur de telles données sont biaisés vers la classe majoritaire et échouent à détecter les états critiques.
Limites des techniques de rééquilibrage existantes : Les méthodes classiques comme le SMOTE (génération de données synthétiques) ou le pondération des classes (class weighting) fonctionnent mal sur les séries temporelles de CPS. Le SMOTE génère souvent des échantillons synthétiques irréalistes qui introduisent du bruit, tandis que le pondération des classes peut conduire à un surapprentissage sur la classe minoritaire.
Sous-exploitation de l'incertitude comportementale : Il a été démontré que l'incertitude comportementale (doute dans les décisions du CPS, signaux de contrôle erratiques, changements brusques de cap) est corrélée aux états dangereux. Cependant, cette information précieuse n'est pas exploitée efficacement pour améliorer la prédiction de sécurité.

2. Méthodologie : U-Balance

Les auteurs proposent U-Balance, une approche supervisée en trois étapes qui utilise l'incertitude comportementale pour rééquilibrer les données d'entraînement sans générer de nouvelles données.

A. Prédicteur d'Incertitude (Uncertainty Predictor)

Ce module apprend à quantifier le niveau d'incertitude d'une fenêtre de télémétrie.

Prétraitement : Chaque fenêtre de données temporelles est transformée en un vecteur de caractéristiques cinématiques distributionnelles (moyenne, écart-type, minimum, maximum pour les angles de cap et les coordonnées spatiales). Cela capture la variabilité temporelle et les valeurs extrêmes.
Architecture GatedMLP : Un réseau de neurones avec un mécanisme de "portail" (inspiré des GRU) traite ces caractéristiques. Ce mécanisme permet au modèle de pondérer dynamiquement les caractéristiques pertinentes et de supprimer les informations non informatives, produisant un score d'incertitude pour chaque fenêtre.

B. Rééquilibrage des Étiquettes Guidé par l'Incertitude (uLNR)

C'est le cœur de la contribution. Au lieu de fusionner l'incertitude comme une entrée supplémentaire, uLNR l'utilise pour modifier les étiquettes d'entraînement.

Calcul du Score Z : Les scores d'incertitude des fenêtres étiquetées "sûres" sont normalisés (score Z) par rapport à la distribution des échantillons sûrs typiques.
Calcul du taux de retournement (Flip Rate) : Une fonction tangente hyperbolique déplace les scores Z pour déterminer la probabilité qu'une fenêtre sûre soit en réalité dangereuse (faux négatif potentiel). Seules les fenêtres sûres avec une incertitude anormalement élevée sont candidates.
Retournement Stochastique : Les fenêtres sûres sont re-étiquetées "dangereuses" avec une probabilité proportionnelle à leur score d'incertitude. Cela enrichit la classe minoritaire avec des échantillons frontières informatifs (des cas limites qui étaient étiquetés sûrs mais qui se comportent de manière incertaine) sans synthétiser de données artificielles.

C. Prédicteur de Sécurité

Un classifieur final (basé sur un Bi-LSTM multi-couches) est entraîné sur le jeu de données rééquilibré ( $D_{bal}$ ) pour prédire les états dangereux en temps réel.

3. Contributions Clés

Première utilisation de l'incertitude pour le rééquilibrage : U-Balance est la première approche à exploiter l'incertitude comportementale spécifiquement pour rééquilibrer les jeux de données dans le contexte de la surveillance de sécurité des CPS.
Architecture GatedMLP pour l'incertitude : Proposition d'un nouveau prédicteur d'incertitude utilisant des caractéristiques distributionnelles et une architecture à portail pour gérer les séries temporelles de télémétrie.
Stratégie uLNR supérieure : Démonstration que l'utilisation de l'incertitude pour le rééquilibrage des étiquettes (uLNR) est nettement plus efficace que les stratégies de fusion directe (Early/Late Fusion) ou les méthodes de rééquilibrage classiques.

4. Résultats Expérimentaux

L'évaluation a été réalisée sur un jeu de données UAV à grande échelle (1 498 vols, ratio 46:1).

Corrélation : Une corrélation modérée mais significative ( $r_{pb} \approx 0.44$ ) a été confirmée entre l'incertitude comportementale et la sécurité.
Performance (F1-Score) :
- U-Balance atteint un F1-score de 0,806.
- Il surpasse la meilleure baseline (TimeMoE, un modèle fondation pré-entraîné) de 14,3 points de pourcentage.
- Il surpasse les méthodes de rééquilibrage SOTA pour séries temporelles (comme T-SMOTE) de plus de 13 points.
Comparaison avec d'autres stratégies :
- Les stratégies de fusion (Early/Late) n'ont apporté qu'une amélioration marginale (~1,5 pp).
- Les méthodes de rééquilibrage classiques (SMOTE, undersampling, pondération des classes) ont toutes obtenu des scores F1 inférieurs de 13 à 26 points.
Efficacité : U-Balance maintient une latence d'inférence compétitive (0,0045 s par échantillon), comparable aux modèles de deep learning standards, et est nettement plus rapide que les méthodes basées sur l'auto-encodeur (comme Superialist).
Études d'ablation :
- Le mécanisme GatedMLP et le prétraitement par caractéristiques distributionnelles sont essentiels à la performance.
- Le seuil de retournement ( $\tau$ ) est un hyperparamètre critique ; la valeur optimale ( $\tau=3.0$ ) permet de trouver le meilleur compromis entre précision et rappel.

5. Signification et Impact

Ce travail propose une nouvelle voie pour la surveillance de la sécurité des CPS en démontrant que l'information d'incertitude est plus puissante lorsqu'elle est utilisée pour remodeler la distribution des données d'entraînement (via le rééquilibrage des étiquettes) plutôt que comme simple caractéristique d'entrée.

Innovation : Cela évite les pièges de la génération de données synthétiques (SMOTE) qui peuvent créer des échantillons irréalistes dans des contextes physiques complexes.
Praticité : La méthode est applicable à divers CPS et ne nécessite pas de données étiquetées manuellement pour l'incertitude, car celles-ci peuvent être générées automatiquement via des règles de domaine (ex: changements brusques de cap).
Résultat : U-Balance offre une solution robuste pour détecter les événements rares et critiques, améliorant considérablement la sécurité opérationnelle des systèmes autonomes.