Incremental Learning-Based Open-Set Classification of Unknown UAVs via RF Signal Semantics

1. Problema e Motivação

O aumento da proliferação de Veículos Aéreos Não Tripulados (UAVs) civis e comerciais exige sistemas de identificação robustos baseados em Radiofrequência (RF). No entanto, a maioria dos métodos existentes opera sob a hipótese de conjunto fechado (closed-set), assumindo que todos os tipos de UAVs são conhecidos durante o treinamento.

Na prática, o ambiente aéreo é dinâmico e aberto: novos UAVs ou atualizações de firmware/hardware surgem constantemente. Classificadores tradicionais falham nesses cenários, produzindo previsões excessivamente confiantes para classes desconhecidas (erros de classificação) e exigindo retreinamento completo, o que é ineficiente e propenso ao "esquecimento catastrófico" (perda de conhecimento sobre classes antigas ao aprender novas).

O objetivo deste trabalho é desenvolver um sistema capaz de:

1. Classificar UAVs conhecidos com precisão.
2. Detectar e rejeitar sinais de UAVs desconhecidos.
3. Descobrir automaticamente novas categorias de UAVs a partir desses sinais rejeitados.
4. Integrar essas novas classes ao modelo de forma incremental, preservando o desempenho nas classes antigas com recursos de memória limitados.

2. Metodologia Proposta

O artigo propõe um framework unificado de aprendizado incremental em conjunto aberto (Open-Set Learning) que integra três módulos principais em um pipeline escalável:

A. Aprendizado de Embedding Semântico

• Entrada: Sinais I/Q brutos são transformados em espectrogramas usando a Transformada de Fourier de Curto Prazo (STFT).
• Arquitetura: Um codificador híbrido de duas ramificações processa os espectrogramas:
  • Um extrator de textura (CNN) com convoluções dilatadas para capturar texturas espectrais de alta frequência e envelopes temporais.
  • Um codificador baseado em Transformer para capturar dependências de longo alcance e localidade tempo-frequência.
• Treinamento: Os recursos são fundidos e projetados em um espaço de embedding semântico compacto ($z$). O modelo é otimizado usando uma função de perda composta que inclui:
  • $L_{cen}$: Compactação intra-classe.
  • $L_{sep}$: Separação inter-classe.
  • $L_{CE}$: Supervisão de entropia cruzada padrão.

B. Reconhecimento em Conjunto Aberto (OSR)

• Após o treinamento nas classes conhecidas ($C_0$), as estatísticas de cada classe (vetor médio $\mu_k$ e matriz de covariância $\Sigma_k$) são modeladas como distribuições Gaussianas no espaço de embedding.
• Classificação: Durante a inferência, a distância de Mahalanobis é calculada entre a amostra de teste e as classes conhecidas.
• Rejeição: Um limiar adaptativo ($\tau_k$) é definido usando a regra dos três sigma (99,7% de confiança). Se a distância for maior que o limiar, a amostra é rejeitada como "desconhecida" e enviada para um pool de candidatos, em vez de ser forçadamente classificada em uma classe errada.

C. Descoberta de Novas Classes via Clustering

• As amostras rejeitadas são agrupadas usando aprendizado não supervisionado.
• Seleção de Modelo: O sistema avalia automaticamente dois algoritmos: K-Means e Modelos de Mistura Gaussiana (GMM).
• Critério de Valididade Composta: A escolha do número ótimo de clusters ($k^*$) e do melhor algoritmo baseia-se em uma pontuação composta ($Q(k)$) que integra múltiplas métricas de qualidade (Silhueta, Calinski-Harabasz, Davies-Bouldin e Variância Explicada).
• Apenas clusters com pureza acima de um limiar e tamanhos adequados são retidos como novas categorias candidatas.

D. Aprendizado Incremental com Replay Leve

• As novas classes descobertas são integradas ao classificador principal sem retreinamento do zero.
• Mecanismo de Replay: Para mitigar o esquecimento catastrófico, um buffer de memória limitado armazena um número pequeno e representativo de amostras das classes antigas.
• Atualização: O modelo é atualizado em mini-lotes balanceados contendo novas amostras e amostras replayadas, minimizando a perda de entropia cruzada e atualizando as estatísticas das classes.

3. Principais Contribuições

1. Framework Unificado: Integração de detecção em conjunto aberto, descoberta de novas classes baseada em clustering e aprendizado incremental em um único pipeline escalável para reconhecimento de UAVs via RF.
2. Estratégia de Clustering Robusta: Uso de métricas de validade compostas e seleção automática de ordem de modelo para garantir a descoberta confiável de novas classes em condições de RF ruidosas.
3. Mecanismo Incremental Eficiente: Um mecanismo de aprendizado com replay limitado que melhora a retenção de conhecimento e mitiga o esquecimento catastrófico com custos de armazenamento mínimos.

4. Resultados Experimentais

O framework foi avaliado em um conjunto de dados real de RF de UAVs contendo 24 classes (18 conhecidas para treinamento e 6 desconhecidas para avaliação).

• Desempenho de OSR: A matriz de confusão normalizada mostrou uma forte dominância diagonal para classes conhecidas e uma rejeição eficaz de amostras desconhecidas, evitando classificações errôneas.
• Descoberta de Novas Classes: A visualização t-SNE demonstrou uma forte correspondência entre os clusters previstos e as classes verdadeiras desconhecidas. O método composto selecionou automaticamente o K-Means como o melhor algoritmo, alcançando uma pureza de 0,921 e uma pontuação composta de 0,770, superando o GMM.
• Aprendizado Incremental:
  • Sem replay ($old\_max=0$): Ocorreu esquecimento catastrófico, com a precisão nas classes antigas caindo para 0%.
  • Com replay mínimo ($old\_max=5$): A precisão nas classes antigas foi restaurada para 100%, mantendo 98,1% de precisão nas novas classes.
  • Aumentar o tamanho do replay além de 5 amostras por classe trouxe melhorias negligenciáveis, demonstrando a eficiência do método.

5. Significado e Conclusão

Este trabalho demonstra a viabilidade de sistemas de inteligência de sinais de RF que operam em um "mundo aberto". Ao combinar detecção estatística robusta, clustering adaptativo e aprendizado incremental eficiente, o framework proposto permite que os sistemas de monitoramento de UAVs evoluam autonomamente para reconhecer novas ameaças sem a necessidade de retreinamento massivo ou armazenamento excessivo de dados.

As limitações identificadas incluem a dependência atual de um replay simples e a necessidade de investigar a invariância de domínio em condições de canal variáveis. O trabalho futuro visa explorar atualizações parcialmente congeladas, aprendizado federado e implantação em tempo real em receptores embarcados.