Uncertainty-Guided Label Rebalancing for CPS Safety Monitoring

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

Imagine que você está pilotando um drone de entrega por uma cidade movimentada. A maioria das vezes, o drone voa perfeitamente, desviando de prédios e pássaros sem problemas. Mas, de vez em quando, algo dá errado: ele bate em um poste ou cai. O problema é que esses acidentes são extremamente raros. Se você tivesse um milhão de horas de voo, talvez tivesse apenas algumas centenas de acidentes.

Agora, imagine que você quer treinar um "robô professor" (uma Inteligência Artificial) para prever quando o drone vai ter um acidente. Se você mostrar a esse robô apenas os milhões de voos perfeitos e apenas alguns acidentes, ele vai ficar preguiçoso. Ele vai pensar: "Ah, drones nunca caem! Vou sempre dizer que está tudo bem". E ele terá 99% de acerto, mas falhará completamente em salvar o drone quando o acidente realmente acontecer.

Esse é o problema que o artigo "U-Balance" tenta resolver. Vamos explicar como eles fazem isso usando analogias simples:

1. O Problema: A Sala de Aula Desequilibrada

Pense no treinamento da IA como uma sala de aula.

Alunos "Seguros": 46 alunos que sempre tiram nota 10 e nunca erram.
Alunos "Perigosos": Apenas 1 aluno que costuma fazer bagunça e quase causa acidentes.

Se o professor (a IA) só vê esse aluno bagunceiro uma vez em 46 tentativas, ele não aprende a reconhecê-lo. Ele acha que "bagunça" é algo normal e ignora. Técnicas antigas tentavam resolver isso criando "fotocópias" do aluno bagunceiro (chamadas de SMOTE), mas isso é como tentar ensinar alguém a dirigir mostrando apenas desenhos de carros; o desenho não é o carro real e pode confundir o aluno.

2. A Solução: O "Detector de Dúvida"

Os autores do artigo perceberam algo interessante: antes de um acidente acontecer, o drone geralmente fica confuso.

Ele faz curvas bruscas.
Ele acelera e freia sem motivo.
Ele parece "hesitante" ou "nervoso".

Isso é o que eles chamam de Incerteza Comportamental. Mesmo que o drone ainda não tenha batido, se ele estiver agindo de forma estranha e nervosa, há uma chance maior de algo dar errado.

A ideia do U-Balance é usar essa "nervosidade" como um sinal de alerta.

3. Como o U-Balance Funciona (Passo a Passo)

O sistema funciona em três etapas, como se fosse uma equipe de detetives:

Etapa 1: O Detetive da Nervosidade (Preditor de Incerteza)

Primeiro, eles treinam um pequeno robô especialista apenas para medir o quanto o drone está "nervoso".

Eles olham para os dados de voo (velocidade, direção, altura) e calculam uma "pontuação de nervosismo".
Se o drone está voando reto e suave, a pontuação é baixa (calmo).
Se o drone está tremendo e mudando de direção rápido, a pontuação é alta (nervoso).

Etapa 2: O Reorganizador de Cartões (uLNR - Rebalanceamento Guiado por Incerteza)

Aqui está a mágica. Em vez de criar drones falsos (fotocópias), eles pegam os voos que foram marcados como "Seguros" mas que tinham uma pontuação de nervosismo muito alta.

Eles dizem: "Esse voo foi marcado como seguro, mas o drone estava tão nervoso que provavelmente estava prestes a ter um problema. Vamos mudar a etiqueta dele de 'Seguro' para 'Perigoso'."
Eles fazem isso de forma inteligente e aleatória, apenas para os casos mais extremos.
Resultado: Agora, na sala de aula, o professor tem muito mais exemplos de situações "perigosas" (ou quase perigosas) para estudar. O robô aprende a reconhecer o perigo antes que ele aconteça, sem precisar inventar dados falsos.

Etapa 3: O Professor Final (Preditor de Segurança)

Agora, com esses dados reorganizados, eles treinam o robô principal para prever acidentes. Como ele viu muitos exemplos de "quase acidentes" (os voos nervosos que foram reclassificados), ele se torna muito mais esperto e atento.

4. O Resultado: Um Salto de Qualidade

Os autores testaram isso em um grande banco de dados de drones reais.

Antes: Os melhores métodos existentes acertavam cerca de 65% das vezes em identificar perigos (o que é ruim para segurança).
Depois (U-Balance): O novo método acertou 80,6% das vezes.
Isso significa que eles conseguiram detectar muito mais acidentes potenciais, sem deixar de ser rápidos o suficiente para funcionar em tempo real.

Resumo em uma Frase

O U-Balance é como um instrutor de voo que, ao notar que um aluno está tremendo de medo e fazendo movimentos estranhos (mesmo que não tenha caído ainda), decide tratar aquele aluno como se estivesse em perigo iminente. Isso ensina o sistema de segurança a ficar muito mais atento aos sinais sutis de que algo vai dar errado, salvando o drone antes que o acidente aconteça.

É uma maneira inteligente de usar a "dúvida" e a "nervosidade" do sistema para ensinar a máquina a ser mais segura, sem precisar inventar dados que não existem.

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

1. Problema e Motivação

O monitoramento de segurança é crucial para Sistemas Ciber-Físicos (CPS), como Veículos Aéreos Não Tripulados (UAVs). No entanto, a aplicação de abordagens baseadas em dados enfrenta um desafio fundamental: desequilíbrio extremo de classes. Em operações reais, eventos inseguros são raros comparados aos eventos seguros (ex.: razão de 46:1 em datasets de UAVs).

Limitações das Técnicas Atuais: Métodos padrão de reequilíbrio, como SMOTE (geração de amostras sintéticas) e ponderação de classes, performam mal em séries temporais de CPS. O SMOTE pode gerar amostras sintéticas irrealistas que introduzem ruído, enquanto a ponderação de classes frequentemente falha sob desequilíbrios severos.
Oportunidade Subexplorada: Existe uma correlação entre incerteza comportamental (dúvida nas decisões do CPS, manifestada como sinais de controle erráticos ou mudanças rápidas de direção) e resultados de segurança. Comportamentos incertos tendem a levar a estados inseguros. Contudo, essa informação valiosa não tem sido efetivamente utilizada para melhorar a previsão de segurança.

2. Metodologia Proposta: U-Balance

Os autores propõem o U-Balance, uma abordagem supervisionada que utiliza a incerteza comportamental para reequilibrar o dataset antes de treinar um preditor de segurança. O método consiste em três componentes principais:

A. Preditor de Incerteza (Uncertainty Predictor)

Objetivo: Quantificar o nível de incerteza comportamental em janelas de telemetria.
Pré-processamento: Transforma janelas de séries temporais multivariadas (ângulo de rumo e coordenadas espaciais) em vetores de características cinemáticas distribucionais (média, desvio padrão, mínimo e máximo para cada canal). Isso captura a variabilidade temporal e valores extremos.
Arquitetura: Utiliza um GatedMLP (MLP com Portão). Inspirado em unidades recorrentes com portão (GRU), ele emprega dois caminhos paralelos:
1. Caminho de Transformação: Captura interações não lineares.
2. Caminho de Portão: Aprende a suprimir características não informativas e enfatizar as relevantes dinamicamente.
Saída: Um escore de incerteza para cada janela de dados.

B. Reequilíbrio de Rótulos Guiado por Incerteza (uLNR)

Conceito: Adaptação do Label Noise Rebalancing (LNR) original para dados de séries temporais. Em vez de sintetizar novos dados, o uLNR reclassifica probabilisticamente janelas seguras que apresentam incerteza anormalmente alta como "inseguras".
Processo:
1. Pontuação de Incerteza: Calcula o z-score dos escores de incerteza das amostras seguras para identificar desvios significativos.
2. Cálculo da Taxa de Inversão (Flip Rate): Usa uma função tangente hiperbólica deslocada para converter o z-score em uma probabilidade de inversão de rótulo. Apenas amostras seguras com alta incerteza têm chance de serem reclassificadas.
3. Reclassificação Estocástica: Amostras seguras são rotuladas como inseguras com base na probabilidade calculada, enriquecendo a classe minoritária com amostras de fronteira informativas sem criar dados sintéticos.

C. Preditor de Segurança

Um modelo de aprendizado supervisionado (baseado em Bi-LSTM no estudo) é treinado no dataset reequilibrado ( $D_{bal}$ ) para prever estados inseguros em tempo real.

3. Contribuições Principais

U-Balance e uLNR: Primeira abordagem a explorar a incerteza comportamental para reequilibrar datasets em monitoramento de segurança de CPS, oferecendo uma alternativa aos métodos de fusão direta (early/late fusion).
Novo Preditor de Incerteza: Desenvolvimento de um preditor específico para telemetria de séries temporais que utiliza características distribucionais e uma arquitetura GatedMLP para estimar incerteza de forma eficaz.
Validação Empírica: Demonstração experimental de que o uso de incerteza para reequilíbrio supera significativamente as técnicas de reequilíbrio tradicionais e métodos de fusão.

4. Resultados Experimentais

O método foi avaliado em um benchmark de UAV de larga escala (1.498 voos, ~54 horas) com uma razão de classes de 46:1 (seguro:inseguro).

Correlação: Confirmou-se uma correlação moderada, mas estatisticamente significativa ( $r_{pb} \approx 0.44$ ), entre a incerteza comportamental e a segurança.
Desempenho (F1-Score):
- O U-Balance alcançou um F1-score de 0.806.
- Superou o melhor baseline (TimeMoE, um modelo de fundação pré-treinado) em 14,3 pontos percentuais.
- Superou a estratégia de "Fusão Tardia" e "Fusão Precoce" em mais de 15 pontos percentuais, demonstrando que usar a incerteza para reequilibrar os dados é mais eficaz do que usá-la apenas como uma característica de entrada.
Comparação com Reequilíbrio Tradicional:
- O uLNR superou 14 técnicas de reequilíbrio (incluindo SMOTE, T-SMOTE, Class Weighting, etc.).
- O T-SMOTE (estado da arte para séries temporais) alcançou F1 de 0.675, enquanto o uLNR alcançou 0.806.
- Métodos de undersampling e oversampling tradicionais mostraram recalls baixos, falhando em detectar a maioria dos casos inseguros.
Eficiência: O U-Balance mantém uma latência de inferência competitiva (0.0045s por amostra), comparável a outros modelos de Deep Learning, e é significativamente mais rápido que métodos baseados em reconstrução de autoencoder.

5. Significado e Conclusão

O trabalho demonstra que a incerteza comportamental é um sinal valioso e subutilizado para melhorar a segurança em CPS. Ao invés de tentar gerar dados sintéticos ou apenas ajustar pesos de perda, o U-Balance utiliza a incerteza para identificar e rerotular amostras de fronteira que são mais propensas a serem inseguras.

Impacto: A abordagem resolve o problema de viés da classe majoritária em cenários críticos de segurança, permitindo que modelos de aprendizado de máquina detectem eventos raros e perigosos com muito maior precisão (Recall) sem sacrificar excessivamente a precisão.
Generalização: O estudo sugere que essa técnica pode ser aplicada a outros domínios de CPS (como submarinos autônomos) e que a obtenção de rótulos de incerteza pode ser automatizada através de regras de domínio, tornando a solução prática para sistemas reais.

Em resumo, o U-Balance estabelece um novo paradigma para o monitoramento de segurança baseado em dados, onde a incerteza não é apenas um ruído a ser filtrado, mas uma ferramenta ativa para melhorar a qualidade dos dados de treinamento.