[論文レビュー] Leveraging the Power of Ensemble Learning for Secure Low Altitude Economy

Yaoqi Yang, Yong Chen+4 more|arXiv (Cornell University)|Feb 7, 2026

Air Traffic Management and Optimization被引用数 0

ひとこと要約

要約: 本論文は、Secure Low Altitude Economy（SL AE）における悪意のある航空機の検知、識別、位置特定、認証を強化するためのアンサンブル学習を提唱・評価し、悪意のある航空機追跡に関するケーススタディを含む。

ABSTRACT

Low Altitude Economy (LAE) holds immense promise for enhancing societal well-being and driving economic growth. However, this burgeoning field is vulnerable to security threats, particularly malicious aircraft intrusion attacks. To address the above concerns, intrusion detection systems (IDS) can be used to defend against malicious aircraft intrusions in LAE. Whereas, due to the heterogeneous data, dynamic environment, and resource-constrained devices within LAE, current IDS face challenges in detection accuracy, adaptability, and resource utilization ratio. In this regard, due to the inherent ability to combine the strengths of multiple models, ensemble learning can realize more robust and diverse anomaly detection further enhance IDS accuracy, thereby improving robustness and efficiency of the secure LAE. Unlike single-model approaches, ensemble learning can leverage the collective knowledge of its constituent models to effectively defend the malicious aircraft intrusion attacks. Specifically, this paper investigates ensemble learning for secure LAE, covering research focuses, solutions, and a case study. We first establish the rationale for ensemble learning and then review research areas and potential solutions, demonstrating the necessities and benefits of applying ensemble learning to secure LAE. Subsequently, we propose a framework of ensemble learning-enabled malicious aircrafts tracking in the secure LAE, where its feasibility and effectiveness are evaluated by the designed case study. Finally, we conclude by outlining promising future research directions for further advancing the ensemble learning-enabled secure LAE.

研究の動機と目的

• LAEセキュリティにおける sparse で異種データ、動的環境、リソース制約デバイスに対処するためのアンサンブル学習の活用を動機付ける。
• 悪意のある航空機の検知、識別、位置特定、認証に関する研究動向をレビューし、アンサンブルベースの解決策を提案する。
• 悪意のある航空機の追跡のためのアンサンブル学習主導のフレームワークを提案し、ケーススタディを通じて実現性を示す。

提案手法

• アンサンブル学習が安全なLAEに適している理由を説明し、Bagging、Boosting、Stackingを比較する。
• 悪意のある航空機の検知・識別・位置特定・認証に関する既存のアンサンブルベース解決策を調査する。
• YOLOXとFast R-CNN検出器を用いた悪意のある航空機追跡の5段階アンサンブル学習フレームワークを提案する。
• 精度、リコール、平均精度、平均IoU指標でアンサンブルの性能を評価したケーススタディを示す。

実験結果

リサーチクエスチョン

• RQ1 異種かつ動的な条件下で、アンサンブル学習はLAEの侵入検知精度をどう向上させるか？
• RQ2 LAEにおける悪意のある航空機の検知・識別・位置特定・認証にアンサンブル手法を適用する利点と課題は何か？
• RQ3 YOLOXとFast R-CNNのアンサンブルは、個別検出器と比べて悪意のある航空機追跡を改善するか？

主な発見

• アンサンブル手法は、多様なモデルを組み合わせることでLAEにおける検知の堅牢性と精度を向上させることができる。
• ケーススタディでは、YOLOXとFast R-CNNのアンサンブル平均が、いずれのモデル単独よりも平均精度を高める（アンサンブル0.85対 Fast R-CNN0.81およびYOLOX0.83）。
• 平均IoUはアンサンブルで改善（アンサンブル0.815対Fast R-CNN0.7762およびYOLOX0.8411）。