Uncertainty-Guided Label Rebalancing for CPS Safety Monitoring

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

🚁 Il Problema: Trovare l'ago nel pagliaio (ma l'ago è pericoloso)

Immagina di essere il pilota di un drone che deve consegnare pacchi in una grande città. Il tuo compito è assicurarti che il drone non si schianti mai.
Il problema è questo: i drone volano bene il 99% del tempo. Si schiantano o hanno problemi solo in rari momenti critici.

Se provi ad addestrare un'intelligenza artificiale (un "cervello digitale") a riconoscere i pericoli mostrandogli milioni di ore di volo tranquillo e solo 10 minuti di volo pericoloso, cosa succede?
Il cervello digitale diventa pigro. Impara a dire sempre "Tutto ok, tutto sicuro!" perché, statisticamente, ha ragione quasi sempre. Ma quando c'è un vero pericolo, il cervello non lo vede e il drone si schianta.

Nella ricerca, questo si chiama squilibrio dei dati: abbiamo troppi esempi di "sicuro" e troppo pochi di "pericoloso".

💡 La Soluzione: U-Balance (Il Detective dell'Incertezza)

Gli autori di questo studio, John Ayotunde e il suo team, hanno inventato un metodo chiamato U-Balance. Invece di inventare falsi esempi di incidenti (che spesso sembrano finti e confondono il computer), hanno usato un trucco geniale basato sull'"Incertezza Comportamentale".

Ecco come funziona, passo dopo passo, con delle metafore:

1. Il Sensore di "Nervosismo" (Il Predittore di Incertezza)

Immagina che il drone non sia solo una macchina, ma abbia un "nervo". Quando il drone è sicuro, vola dritto e piano. Quando è in difficoltà (ad esempio, deve evitare un uccello improvviso o un vento forte), inizia a fare movimenti strani: cambia direzione bruscamente, accelera e decelera a caso.
Il sistema U-Balance ha un primo "detective" (chiamato Uncertainty Predictor) che guarda questi movimenti. Non guarda se il drone si schianterà, ma quanto è "nervoso" o "incerto" il suo comportamento.

Metafora: È come un insegnante che guarda un alunno. Se l'alunno risponde con sicurezza, va bene. Se l'alunno esita, guarda intorno nervosamente e cambia idea ogni due secondi, l'insegnante sa che c'è qualcosa che non va, anche se non ha ancora sbagliato la risposta.

2. Il Trucco del "Rietichettamento" (uLNR)

Qui arriva la parte magica. Normalmente, il computer vede un'etichetta "SICURO" e la rispetta. Ma U-Balance dice: "Aspetta! Questo volo è etichettato come 'SICURO', ma il drone era così nervoso e incerto che sembra quasi un incidente!".

Il sistema prende questi casi "nervosi" (che erano etichettati come sicuri) e dice: "Forse non erano così sicuri. Li etichettiamo come 'PERICOLOSI'".

Metafora: Immagina di avere una classe di studenti. Quasi tutti sono bravi. Ce ne sono solo due che fanno disastri. Il professore (l'AI) ignora i due disastri perché sono pochi. U-Balance guarda la classe e dice: "Ehi, quel ragazzo che sembra nervoso e sudato, anche se non ha ancora rotto nulla, sembra sul punto di fare un disastro. Mettiamolo nella lista dei 'potenziali disastri' per allenarci meglio".
In questo modo, il computer impara a riconoscere i segnali di allarme prima che l'incidente accada, senza dover inventare dati falsi.

3. Il Giudice Finale (Il Predittore di Sicurezza)

Una volta che il computer ha "ripulito" i dati, ridistribuendo le etichette per dare più importanza ai casi dubbi, addestra il suo vero cervello (il Safety Predictor). Ora questo cervello è molto più sveglio: sa che quando il drone è "nervoso", potrebbe essere pericoloso, anche se tecnicamente non si è ancora schiantato.

🏆 I Risultati: Perché è un successo?

Gli autori hanno testato questo metodo su un enorme database di voli di droni (quasi 1.500 voli!).

Prima: I metodi normali facevano fatica a vedere i pericoli.
Con U-Balance: Il sistema ha migliorato la sua capacità di trovare i pericoli del 14,3% rispetto ai migliori metodi esistenti.
Velocità: È veloce quanto gli altri, non rallenta il drone.

🌟 In Sintesi

Immagina di dover insegnare a un bambino a non toccare il fuoco.

Metodo vecchio: Gli mostri 1.000 foto di una stanza fredda e sicura, e solo 1 foto di una fiamma. Il bambino impara che "la stanza è sicura" e ignora la fiamma perché è rara.
Metodo U-Balance: Osservi il bambino mentre gioca. Quando vedi che si avvicina al fuoco e inizia a esitare, a guardare intorno nervoso o a fare movimenti strani, gli dici: "Ehi, questo momento è pericoloso!", anche se non si è ancora scottato. In questo modo, il bambino impara a riconoscere il pericolo potenziale molto prima che accada il disastro.

Questo studio ci insegna che, per proteggere sistemi complessi come i droni, non dobbiamo solo guardare cosa è andato storto in passato, ma dobbiamo imparare a leggere l'ansia e l'incertezza del sistema mentre sta ancora funzionando.

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

1. Il Problema

Il monitoraggio della sicurezza è fondamentale per i Sistemi Ciber-Fisici (CPS), come i Veicoli Aerei Senza Pilota (UAV). Tuttavia, l'addestramento di modelli di apprendimento automatico supervisionati per questo scopo si scontra con un problema critico: lo squilibrio estremo delle classi.

Squilibrio dei dati: Nelle operazioni reali, gli eventi di sicurezza (sicuri) sono estremamente più frequenti rispetto agli eventi insicuri (es. un rapporto di 46:1 nei dataset UAV).
Limiti delle tecniche attuali: Le tecniche standard di riequilibrio (come SMOTE o la ponderazione delle classi) funzionano male sui dati di telemetria temporale dei CPS. SMOTE tende a generare campioni sintetici irrealistici che amplificano il rumore, mentre la ponderazione delle classi spesso porta a un sovradattamento sulla classe minoritaria senza risolvere il bias fondamentale.
Informazione sottoutilizzata: Esiste una correlazione tra l'incertezza comportamentale (es. segnali di controllo erratici, cambiamenti rapidi di rotta) e gli esiti di sicurezza. Comportamenti incerti sono più propensi a portare a stati insicuri, ma questa informazione non è stata finora sfruttata efficacemente per migliorare i predittori di sicurezza.

2. Metodologia: U-Balance

Gli autori propongono U-Balance, un approccio supervisionato che sfrutta l'incertezza comportamentale per riequilibrare i dataset prima dell'addestramento del predittore di sicurezza. Il metodo si articola in tre componenti principali:

A. Predittore di Incertezza (Uncertainty Predictor)

Prima di tutto, viene addestrato un modello per stimare il grado di incertezza comportamentale per ogni finestra di telemetria.

Preprocessing: Le finestre temporali multivariate (posizione $x, y, z$ e angolo di rotta $r$ ) vengono trasformate in feature cinematiche distributive. Per ogni canale, vengono calcolate quattro statistiche: media, deviazione standard, minimo e massimo.
Architettura GatedMLP: I dati vengono elaborati da una rete neurale basata su un GatedMLP (Multi-Layer Perceptron con cancelli). Ispirato alle unità GRU, questo meccanismo utilizza un "gate" per controllare il flusso delle informazioni, permettendo al modello di sopprimere dinamicamente le feature non informative e di enfatizzare quelle rilevanti per l'incertezza (es. alta varianza nella direzione).
Output: Il modello produce un punteggio di incertezza ( $\hat{u}_t$ ) per ogni finestra.

B. Ribilanciamento delle Etichette Guidato dall'Incertezza (uLNR)

Questa è l'innovazione centrale. Invece di generare nuovi dati, uLNR modifica le etichette esistenti basandosi sul punteggio di incertezza.

Punteggio di Incertezza: I punteggi delle finestre etichettate come "sicure" vengono normalizzati in z-score rispetto alla distribuzione delle finestre sicure tipiche.
Calcolo della Probabilità di Flip: Le finestre sicure con uno z-score elevato (cioè con un'incertezza anomala) ricevono una probabilità di essere "ribaltate" (flip) da "sicure" a "insicure". Questa probabilità è calcolata tramite una funzione tangente iperbolica spostata.
Rietichettatura Stocastica: Le finestre sicure vengono rietichettate come insicure con una probabilità proporzionale alla loro deviazione. Questo arricchisce la classe minoritaria con campioni informativi ai margini decisionali (casi limite difficili) senza sintetizzare dati artificiali.

C. Predittore di Sicurezza

Sul dataset riequilibrato ( $D_{bal}$ ) viene addestrato un predittore di sicurezza finale (basato su un Bi-LSTM multistrato) per classificare le finestre future come sicure o insicure.

3. Contributi Chiave

U-Balance e uLNR: È il primo approccio che sfrutta l'incertezza comportamentale per il riequilibrio dei dataset nel monitoraggio della sicurezza dei CPS. Introduce il meccanismo uLNR, adattando la Label Noise Rebalancing (LNR) originariamente pensata per le immagini ai dati temporali.
Nuovo Predittore di Incertezza: Progettazione di un predittore specifico per serie temporali che utilizza feature cinematiche distributive e un'architettura GatedMLP per catturare efficacemente l'incertezza comportamentale.
Validazione Empirica: Dimostrazione sperimentale che l'incertezza è correlata alla sicurezza e che uLNR è superiore alle strategie di fusione diretta (early/late fusion) e alle tecniche di riequilibrio tradizionali.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un benchmark UAV su larga scala (1.498 voli, rapporto sicuro/insicuro 46:1).

Correlazione: È stata confermata una correlazione moderata ma significativa ( $r_{pb} \approx 0.44$ ) tra l'incertezza comportamentale e gli stati di sicurezza.
Prestazioni (F1 Score):
- U-Balance ha raggiunto un F1 score di 0.806.
- Ha superato il miglior baseline (TimeMoE, un modello foundation pre-addestrato) di 14.3 punti percentuali.
- Ha superato di gran lunga le tecniche di fusione diretta (Early/Late Fusion), che hanno ottenuto F1 intorno a 0.64-0.65.
Confronto con Baseline: U-Balance ha superato 14 baseline (ML classici, Deep Learning, Ensemble) con un miglioramento minimo di 14.3 pp. In particolare, ha migliorato drasticamente il Recall (0.822 vs 0.25-0.53 delle baseline), riducendo i falsi negativi (eventi insicuri non rilevati), che è critico per la sicurezza.
Efficienza: Il modello mantiene un'efficienza di inferenza competitiva (0.0045 secondi per campione), paragonabile ad altre reti neurali profonde e molto più veloce di metodi basati su autoencoder.
Studi di Ablazione:
- La rimozione del GatedMLP o del preprocessing distributivo riduce significativamente le prestazioni.
- uLNR supera tutte le altre tecniche di riequilibrio (SMOTE, T-SMOTE, Class Weighting, ecc.) di almeno 13.1 punti percentuali.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nel monitoraggio della sicurezza dei CPS:

Nuovo Paradigma: Dimostra che l'incertezza non deve essere solo un segnale di fusione per il modello finale, ma può essere utilizzata attivamente per modellare la distribuzione dei dati di addestramento, risolvendo il problema dello squilibrio in modo più intelligente rispetto alla semplice sovracampionatura.
Affidabilità Operativa: Migliorando il recall senza sacrificare eccessivamente la precisione, U-Balance rende i sistemi di monitoraggio più affidabili nel rilevare eventi critici rari, riducendo il rischio di incidenti in scenari reali.
Generalizzabilità: Poiché l'incertezza può essere derivata da regole di dominio (es. variazioni rapide di rotta) senza bisogno di annotazioni manuali costose, questo approccio è applicabile a vari domini CPS (es. robotica, veicoli autonomi) dove i dati di sicurezza sono scarsi.

In sintesi, U-Balance offre una soluzione elegante ed efficace al problema dello squilibrio delle classi nei CPS, trasformando l'incertezza comportamentale da un rumore potenziale in un segnale strutturale per migliorare la sicurezza predittiva.