무선 주파수 (RF) 센싱은 드론과 운영자 사이의 제어, 텔레메트리 (telemetry), 그리고 비디오 링크를 활용하기 때문에 대드론 시스템 (counter-UAS) 방어의 핵심적인 양식 (modality)입니다. RF 기반 드론 탐지 및 식별에 대해 보고된 정확도는 종종 매우 높게 나타나지만, 많은 경우 소수의 연속된 녹화 데이터를 짧은 세그먼트 (segments)로 나누는 교차 검증 (cross-validation)을 사용하여 얻어집니다. 이는 동일한 녹화본의 거의 중복되는 슬라이스 (slices)를 훈련 및 테스트 파티션 모두에 배치하여 데이터 누수 (data leakage)를 유발할 수 있습니다. 우리는 이론과 측정을 통해 이 누수 문제를 연구합니다. 우리는 세그먼트 수준 교차 검증의 낙관주의 (optimism)를 공식화하며, Cover의 함수 카운팅 정리 (function-counting theorem)를 사용하여 독립적인 녹화본의 수 $R$이 특징 차원 (feature dimension) $d$에 비해 작을 때 분류기가 녹화본-레이블 맵 (recording-to-label map)을 정확하게 기억할 수 있음을 보여줍니다. 특히, 이는 $2R$이 $d$보다 작거나 대략 같을 때 발생할 수 있습니다. 이러한 조건 하에서, 단순 정확도 (naive accuracy)는 1에 근접하며, 인플레이션 격차 (inflation gap)는 $1 - ext{ACC}^$에 근접합니다 (여기서 $ ext{ACC}^$는 베이즈 정확도 (Bayes accuracy)입니다). 이 인플레이션은 $R$이 이러한 분리 임계값 (separability threshold)을 넘어설 때만 완화됩니다. 10개의 시드 (seeds)를 사용한 통제된 합성 실험은 예측된 곡선을 확인해 줍니다: 녹화본 특유의 방해 변동 (nuisance variation)이 커짐에 따라 단순 균형 정확도 (naive balanced accuracy)는 베이즈 수준에서 1.0을 향해 상승하는 반면, 정직한 녹화본 그룹화 평가 (honest recording-grouped evaluation)는 확률 수준으로 하락하며, 그 격차는 약 0.5에 달합니다. 공개 데이터셋인 DroneRF에서, 풀링된 녹화본 제외 교차 검증 (pooled leave-one-recording-out cross-validation)을 수행한 결과, 드론 유형 식별(AR 대 Bebop) 성능이 단순 매크로-F1 (naive macro-F1) 0.74에서 2개 클래스 확률 수준인 0.46으로 급락함을 보여줍니다. 누수 경로 절제 연구 (leakage-pathway ablation)를 통해 인플레이션의 본질적인 원인이 세그먼트 수준의 누수임을 밝혀냈습니다.