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

Sintesi Tecnica: Augmentation Generativa dello Spettro Guidata dalla Affidabilità per l'Identificazione di Emettitori Few-Shot

Definizione del Problema
Nelle reti mobili di prossima generazione, lo spettro elettromagnetico funge da ambiente interattivo in cui comunicazione, sensing e controllo autonomo sono accoppiati. L'Identificazione Specifica dell'Emettitore (SEI - Specific Emitter Identification) è critica per mettere in sicurezza questo ambiente, distinguendo i trasmettitori tramite impronte digitali a radiofrequenza (RFF) dipendenti dall'hardware. Tuttavia, in scenari dinamici come le reti mobili a bassa quota o le infrastrutture auto-organizzanti, gli emettitori appena acceduti o visibili in modo intermittente forniscono spesso solo poche osservazioni etichettate. I modelli convenzionali di deep learning, che assumono una disponibilità abbondante di dati etichettati, faticano in queste condizioni few-shot, tendendo ad adattarsi al rumore incidentale o alle distorsioni di canale piuttosto che a caratteristiche RFF stabili. Inoltre, sebbene l'augmentation generativa possa espandere i dataset limitati, trattare i campioni sintetici come osservazioni completamente affidabili rischia di falsare i confini decisionali e di propagare informazioni di identità errate nelle decisioni successive sullo spettro.

Metodologia: RSGA-SEI
Il documento propone RSGA-SEI (Reliability-Guided Spectrum Generative Augmentation), un framework progettato per l' "intelligenza dello spettro incarnata" (embodied spectrum intelligence). L'approccio opera in un flusso di lavoro a ciclo chiuso composto da tre fasi principali:

1. Rappresentazione CSI: Le osservazioni di banda base vengono trasformate in campioni Contour Stella Image (CSI). Questo mappa le distribuzioni di campionamento in fase (I) e quadratura (Q) in pattern di densità 2D, preservando l'ampiezza, la fase e l'informazione di densità locale in un formato visivo adatto al deep learning.
2. SAGA (Spectrum-Aware Generative Augmentation): Questo modulo sintetizza campioni CSI ausiliari per espandere l'insieme di supporto. Utilizza:
   • SCPE (Spectrum-Context Prior Encoder): Estrae sia indizi di contorno/trama locali che il contesto spaziale globale dai campioni CSI.
   • NVDR (Neighbor-View Diversity Regularization): Impedisce al generatore di produrre immagini ridondanti imponendo la diversità nelle viste latenti vicine pur mantenendo l'allineamento semantico.
   • DPCD (Dual-Prior Consistency Discrimination): Utilizza discriminatori locali e sensibili al contesto per garantire che i campioni generati siano fisicamente coerenti con i dati reali, minimizzando il disaccordo tra le viste prioritarie.
3. SE-RWC (Spectrum-Embedded Reliability-Weighted Classifier): A differenza dei metodi che ottimizzano la geometria dei prototipi, SE-RWC utilizza i campioni di supporto misurati come unico "ancoraggio di fiducia" (trust anchor).
   • Calcola i prototipi di classe e la dispersione esclusivamente dai dati reali.
   • Ai campioni generati viene assegnato un peso di affidabilità morbido (soft reliability weight) basato sulla distanza delle loro feature dai prototipi reali. I campioni con alta coerenza ricevono pesi maggiori, mentre i dati sintetici incoerenti vengono declassati.
   • Il classificatore viene addestrato utilizzando una perdita di cross-entropy pesata, garantendo che l'evidenza sintetica inaffidabile non distorca il confine decisionale.
   • Fondamentalmente, la generazione e la valutazione dell'affidabilità avvengono solo durante l'addestramento. Il percorso di inferenza online rimane compatto, utilizzando solo il classificatore leggero addestrato.

Contributi Chiave

• Formulazione: Gli autori inquadrano la SEI few-shot come un problema di riconoscimento embedded nello spettro, collegando l'identificazione con i cicli di feedback di percezione, decisione e azione.
• Design del Framework: L'introduzione di RSGA-SEI, che converte i dati di banda base in CSI, espande l'insieme di supporto tramite sintesi consapevole dello spettro ed esegue il calibro del contributo dei dati sintetici attraverso la ponderazione dell'affidabilità.
• Calibrazione dell'Affidabilità: Il design di SE-RWC, che evita l'ottimizzazione pesante della geometria dei prototipi. Inveia, utilizza i prototipi di supporto reali per assegnare pesi morbidi ai campioni generati, mantenendo semplice il percorso di deployment.
• Valutazione Comprensiva: Lo studio valida il metodo attraverso confronti a 5-shot, studi di ablazione, generalizzazione multi-shot, analisi della robustezza del SNR e indicatori di complessità.

Risultati Sperimentali
Valutato sul dataset NJUPT-RFF (7 emettitori, 5-shot di addestramento, 50 campioni di query):

• Accuratezza: RSGA-SEI ha raggiunto un'accuratezza dell'87,14% nell'impostazione a 5-shot. Ciò rappresenta un miglioramento di 13,71 punti percentuali rispetto alla baseline CSI non aumentata (73,43%) e un guadagno di 3,43 punti percentuali rispetto all'uso di SAGA da solo senza ponderazione dell'affidabilità (83,71%).
• Ablazione: Lo studio ha confermato che il collo di bottiglia principale è la scarsità di campioni (grande guadagno da CSI a CSI+SAGA) e che l'affidabilità dovrebbe essere un segnale graduato piuttosto che un filtro binario (guadagni progressivi dal filtraggio rigido al peso morbido fino al pieno SE-RWC).
• Robustezza: Il metodo ha mantenuto prestazioni superiori attraverso vari rapporti segnale-rumore (SNR), particolarmente negli intervalli di SNR medio-basso (ad esempio, +3,14% rispetto a CSI-DA a 5 dB), dimostrando che la ponderazione dell'affidabilità sopprime efficacementamente i campioni sintetici dannosi in condizioni di rumore.
• Stabilità: Man mano che l'insieme di supporto aumentava (da 5 a 30 shot), il coefficiente Kappa di Cohen è migliorato da 0,850 a 0,940 e il coefficiente di variazione è diminuito, indicando stime di affidabilità del prototipo stabili.
• Complessità: Sebbene l'addestramento sia computazionalmente più pesante a causa della generazione e della calibrazione, il percorso di inferenza online rimane compatto (backbone ResNet-18). La latenza di inferenza è aumentata solo marginalmente da 3,6 ms a 3,7 ms, con conteggi di parametri che rimangono a 11,18M.

Significato e Rivendicazioni
L'articolo sostiene che RSGA-SEI affronti una lacuna critica nell'intelligenza dello spettro incarnata: la necessità di un apprendimento few-shot robusto che non comprometta l'integrità del ciclo decisionale con dati sintetici inaffidabili. Decoupling (disaccoppiando) la fase di generazione/calibrazione dalla fase di inferenza online, il framework supporta sistemi mobili adattivi dove gli output di riconoscimento influenzano direttamente l'accesso allo spettro e la coordinazione delle risorse. Gli autori sottolineano che il loro approccio collega la percezione dello spettro, l'espansione dei campioni e il riconoscimento dell'emettitore in un workflow a ciclo chiuso compatto, offrendo una soluzione pratica per scenari in cui i dati etichettati sono scarsi ma l'identificazione affidabile in tempo reale è essenziale. Il metodo è presentato come un passo verso infrastrutture wireless sicure e auto-organizzanti, sebbene gli autori notino con modestia limitazioni riguardanti set di supporto estremamente piccoli o modalità fisiche mancanti nel generatore.