亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

隨著互聯網的快速發展，防范敵對威脅的要求已成為一個值得關注的問題。本文創建一個基于人工智能算法的建議性模型，以了解潛在威脅所構成的計算威脅性質，并在認為合適時采取必要的行動。該建議性模型有助于政策制定者和相關行業考慮單方面或集體開展更多研究工作。

1 先進目標定位系統

自主武器和戰車系統可以利用美國陸軍創造的傳感器技術和機器視覺定位目標。美國陸軍目前正在評估各國防承包商的想法，以努力開發一種可與人類士兵并肩作戰的全自動地面車輛。先進目標定位與致命性自動系統是他們對目前設計（ATLAS）的命名。2017年，ATLAS系統進行了首次演示和最新測試。陸軍夜視和電子傳感器局負責ATLAS開發項目（NVESD）。他們可能將其傳感器技術整合到項目中，以支持機器視覺并實現可靠的讀數。

2 將人工智能應用于先進目標定位系統

2.1 美國

集成傳感器架構(ISA)已成為一種可能的架構。這種設計可以實現傳感器和人工操作的計算機之間的信息共享，而不需要點對點的硬件互連。在美國陸軍工業日上討論了制造ATLAS所需技術的各個方面。只有少數人真正提到了人工智能或機器學習方法，盡管每種技術都有自己的潛在用途。以下是當天討論人工智能和機器學習的部分內容:

1.圖像處理主題，包括人工智能/機器學習算法和自動圖像搜索。

2.數據收集，包括管理數據、在數據庫中組織數據以及使用數據訓練ML算法。

3.火控，或先進目標定位算法。

2.2 中國

中國軍方對人工智能的部署凸顯了該技術的不可預測性和顛覆性。由于人工智能正在改變游戲規則，常規戰斗在今天的戰場上可能沒有太大作用，而中國正在最大限度地利用這一優勢。

中國在多項人工智能相關指標上領先全球，包括學術論文數量、專利申請和初創企業資金。值得注意的是，獲得外國融資和技術進步在這一主導地位中發揮了重要作用。

3 無人機市場

據估計，2021年軍用無人機市場價值為134億美元，預計年復合增長率為11.7%，到2028年將達到260億美元。隨著越來越多的軍事組織在全球范圍內部署無人機執法，該行業正在不斷擴大。此外，政府在軍用無人機上的支出不斷增長，以提高軍事行動的效率，這也提高了對軍用無人機生產的需求。因此，政府在無人機上的支出增加推動了軍用無人機市場的發展。

全球軍用無人機市場受到軍事預算擴大、對更好的監視系統的需求增加以及技術進步等重要方面的影響。

在發達國家和新興國家，軍用無人機市場一直被強大的產品系列所主導。控制全球軍用無人機市場的頂級公司包括通用原子航空系統公司（GA-ASI）（美國）、泰雷茲集團（法國）、諾斯羅普-格魯曼公司（美國）、以色列航空航天工業有限公司（以色列）、埃爾比特系統有限公司（以色列）、洛克希德-馬丁公司（美國）、AeroVironment公司（美國）和波音公司（美國）。

4 文獻綜述

4.1 歷史

馬特烏斯-皮特科夫斯基（Mateusz Pitkowski）討論了20世紀軍事技術的進步，這種進步減少了軍事人員所從事工作的數量和復雜性，同時擴大了機器和計算機的能力。然而，機器從未被賦予生死攸關的決策能力。隨著 "宙斯盾 "反導彈艦艇防御系統等高度先進系統的出現，機載、陸地和海洋系統的整合預計將大大改變當前的戰場。然而，目前的國際人道法結構無疑將面臨這些未來武器的巨大挑戰。在歷史上，"戰斗的非人化 "并不是一個新詞。自從箭和弩問世以來，使用者與武器之間的正常距離一直在穩步增長。然而，目標定位過程中的一個重要組成部分仍然存在，即人類仍然必須決定何時發射或不發射，海軍接觸雷是一個獨特的例外。自從火炮、航空和其他不明軍事機器發明以來，這種現象一直存在。美國空軍和英國皇家空軍使用UCAV（未命名的戰斗飛行器），例如 "捕食者 "和 "死神 "無人機在有人系統中工作，操作員在遠處控制移動和目標定位。

另一方面，權力中心的轉移使各國意識到非對稱威脅的重要性，全球化、恐怖主義、武器擴散、東方日益壯大和技術崛起導致沖突迅速發展。為了妥善解決這些困難，美國軍方也做出了類似的調整，杰西-麥克默多的研究表明了這一點。新的發展形勢包括創造一個新的戰場，網絡空間已經擁有了幾乎等同于二戰時期傳統的陸、海、空、天戰爭的不同地位。在空域，如果現代戰斗機的機載系統和目標定位網絡被滲透，那么它的戰斗力就會大打折扣，這表明網絡空間已經成為當前戰爭能力的基礎層面。多年來，美國國會一直對巡航導彈防御感興趣。巡航導彈的機身、推進系統、制導系統和武器載荷使其實際上成為一種無人攻擊機。正如Hichkad等人所討論的那樣，巡航導彈可能擁有極其復雜的導航和目標定位系統，使其能夠保持低空、陸地飛行路線并進行高精度攻擊。集束彈藥可配備常規武器或大規模殺傷性武器，并可從空中、陸地或海上等各種平臺發射。美國國防部一直在開展許多項目，以加強對不可預測的危險巡航導彈威脅的防御。

F.費爾南德斯的另一項重要研究討論了巡航導彈的機身、推進系統、制導系統和武器載荷，這使其在無人攻擊機上有效。巡航導彈可配備極其復雜的導航和目標定位系統，使其能夠保持低空、地面飛行路線并進行高精度攻擊。集束彈藥還可配備常規武器或大規模殺傷性武器，并可從空中、陸地或海上等各種平臺發射。邁克爾-霍洛維茨（Michael C. Horowitz）在其論文中探討了致命性自主武器系統如何影響兩個結果領域：系統的發展和部署，包括軍備競賽；威懾的穩定性，包括戰略穩定性、危機不穩定風險和戰時升級。它通過借鑒經典的安全研究成果和軍事史上的實例來實現這一目標。它重點關注的問題是LAWS的兩個特點：提高作戰速度的可能性和減少人類對戰場戰術決策控制的可能性。它還探討了這些問題如何與目前基于人工智能的未來軍事武器在可能性和編程透明度方面的高度不確定性相交織。

艾米麗-克勞福德（Emily Crawford）提到了非常適合遵守區分原則的遠程戰爭類型。無人駕駛飛行器（又稱UAV或無人機）是一種技術先進的武器，可以實施精確攻擊，以導彈或炸彈等早期技術無法比擬的精確度和確定性殺傷目標。在網絡戰的世界里，精心制作的軟件或計算機代碼可以鎖定并禁用極其特定的目標，確保只有這些目標受到攻擊的影響，而其他系統不受影響。Brian Sanders等人還指出了將基于智能材料的執行系統集成用于飛機巡航和機動控制的目標。一些相關問題包括評估人工智能在軍事系統中越來越多的集成，著眼于對危機穩定性的影響，特別是國家如何考慮制造和部署武器，以及何時可能開戰和軍備控制的可能性。程雷等人提到，由于網絡應用的不斷普及和發展，早期離散和獨立的個體現在變得極為相關和相互依賴。萬物互聯不僅促進了新的社會規范的發展，也有助于國家重要基礎設施的有效運行。

最近，Jing-lei Tan等人的一項研究討論了軟件定義網絡（SDN）的可用性，由于其集中控制特性（APT），SDN很容易受到高級持續性威脅。移動目標防御作為一種防御工具正在不斷改進。就目前的博弈模型而言，要準確描述MTD攻擊和防御博弈，并準確選擇防御時機以平衡MTD決策和SDN服務質量的益處，具有挑戰性。K.Zaffarano補充說，對網絡攻擊的脆弱防御在靜態防御上可能更具實質性，而靜態防御可利用的主動防護措施仍然有限。這是由于移動目標防御（MTD）等適應性強的主動防御技術有可能阻礙網絡支持任務的能力，就像它們有能力防御網絡一樣。Daesung Moon等人以APT攻擊為例探討了攻擊過程，并論證了對綜合檢測系統的需求。在本研究中，我們提出了多層防御系統（MLDS），通過在網絡設備、服務器和終端用戶安裝代理，分析來自網絡、服務器、終端用戶、日志等的數據，從而進行深度防御。為了提高性能，MLDS可識別來自多個層面的APT攻擊。此外，當系統受到APT攻擊時，MDLS可降低危害。

正如T.Ender所討論的，彈道導彈防御系統(BMDS)有效性檢查的另一個強化概念歷來是不完善的。事實上，BMDS的戰斗管理過程需要關注和管理大量相互依賴的參與者（如雷達傳感器、通信網絡和攔截導彈）的行動，在這個過程中，目標從發射到傳感器探測再到攔截殺傷評估。本文提出了一個建模和仿真（M&S）框架，支持BMDS的架構級分析。關鍵的創新是神經網絡代理模型的應用，它是其他高保真或中保真M&S工具的代表，可以在保真度可忽略不計的情況下快速執行。建立了BMDS分析工具的代理模型，其中包括多傳感器目標跟蹤和融合代碼。結果將顯示將M&S集成到架構級分析的好處。具體例子包括作戰級指標對集成跟蹤圖像形成的敏感性，以及使架構級決策成為可能。

就網絡物理系統而言，攻擊可能包括代碼注入、代碼重用和非控制數據攻擊。利用移動目標防御（MTD）技術，包括指令集隨機化（ISR）、地址空間隨機化（ASR）和數據空間隨機化（DSR），可以實現系統對此類攻擊的防御。正如Bradley Potteiger等人所討論的，MTD安全方法在正常運行期間提供可預測和可靠的行為，并在檢測到攻擊時快速檢測和重新配置。目前已經提出了許多MTD機制，其中一些機制通常按照一些基本模式運行，這些模式定義了它們如何發揮作用。研究了MTD機制的三個主要流派，然后定義并確定了這些MTD過程所使用的三個核心運行模式。在這些提供的模式上運行了五個MTD機制，從而形成了三個思想流派。David Evans等人提出，MTD如何通過改變系統的功能，使攻擊者更難利用薄弱系統，而這些功能可能會給攻擊者提供一個可變的攻擊面。防御系統必須能夠納入動態變化，這些變化可能會干擾漏洞利用的操作，并且不會受到攻擊者學習現有防御機制的影響。由于世界上許多國家本土技術的進步，軍事動態和能力的快速變化，未來可能的威脅領域不斷擴大。阿德爾-阿爾沙姆拉尼（Adel Alshamrani）討論了將私人和企業部門作為應對此類威脅的措施之一。這些類型的威脅也被稱為高級持續性威脅（APT），幾乎每個國家和成熟的組織都意識到這些威脅，并希望抵御這些威脅，發展長期可持續的反威懾力量。研究了一些APT攻擊案例，并提出了可能的可部署監控和緩解措施，以確保網絡系統的安全。

Ido Kilovaty指出，大量有關互聯網用戶的個人和非個人數據是如何在網上被收集起來，并越來越多地以復雜的方式被用于網絡政治操縱。這說明了數據利用的一種新模式，即行為者利用尖端的人工智能技術進行數據分析，使他們更容易獲得人們的認知和潛在的未來行為，而不是基于數據的表面價值直接追求經濟利益。盡管網絡操縱的概念最近引起了一些學者和政策的興趣，但網絡安全法與網絡操縱之間的理想聯系尚未得到深入研究。換言之，監管機構和法院尚未充分理解網絡安全法與個人自主權、隱私權和民主之間的關聯。這些事實使人們對許多企業保護敏感數據和關鍵任務數據免受競爭對手、敵對國家和有組織犯罪分子侵害的生存潛力產生了疑問。正如Massimiliano Albanese所揭示的，MTD是一種前沿的革命性網絡防御方法，是僵尸網絡識別和緩解的一種有前途的解決方案。針對此類威脅的突出解決方案之一可能是修改網絡資源漏洞，即移動目標防御，作為網絡戰中 "改變游戲規則 "的安全解決方案，挫敗攻擊者的明顯保證。在譚景雷等人的研究中，基于馬爾可夫魯棒博弈，利用移動目標防御技術開發了一種獨特的最優策略選擇技術，以提高對未知安全威脅的防御能力。第一步是創建一個基于移動攻擊和探索面的移動目標防御模型。該模型結合了馬爾可夫決策理論和魯棒博弈理論，舉例說明了不完全信息假設中的未知先驗信息。此外，該模型還證明了馬爾可夫穩健博弈的最優方法。通過將最優策略的選擇等價轉換為非線性編程問題，創建了防御策略。對所建議方法的進一步模擬和推導表明了所創建博弈模型的可行性和所建議方法的有效性。

盡管在一些MTD應用領域的研究取得了重大進展，但仍有大量問題亟待解決。新方法的不斷發展和多個學科的交叉也為MTD研究的概念和進展提供了新的視角。

Jianjun Zheng和A.S. Namin指出了網絡的弱點，即隨著網絡復雜性和規模的不斷增加，網絡管理員面臨著持續的艱巨任務。許多網絡設備可能無法得到及時更新，從而使網絡面臨潛在攻擊。此外，由于當前網絡基礎設施的靜態性質，攻擊者有時間研究網絡的靜態配置，并在方便的時候實施精心策劃的攻擊，而防御系統必須全天候運行以保護網絡。本文通過對MTD和實施策略（物聯網）的全面調查，介紹了MTD的動機、MTD關鍵概念的解釋、MTD的持續研究工作及其在網絡系統各個層面的實施，以及軟件定義網絡（SDN）和物聯網等新技術提供的潛在未來研究機會。6G網絡具有更快的數據傳輸速率、更低的延遲和超高的可靠性等其他功能，將把5G提供的數字功能提升到一個全新的水平。要實現6G的潛力，這些系統的安全性至關重要。正如Wissem Soussi等人所討論的那樣，對6G基礎設施和服務進行有效而廣泛的保護是這一需求的重要組成部分。在這篇文章中，研究人員將MTD視為主動防御的重要組成部分，并詳細介紹了如何將其納入5G以外的系統。此外，文章還討論了未來研究前景、相關研究障礙以及標準化觀點。

根據上述文獻的討論，似乎迫切需要開發一種有效的模型，利用所述事實開發一種人工智能驅動的、同步的、快速的攻擊結構，用于實時目標定位敵對目標，這些敵對目標可能是未來的潛在威脅，可以是單獨的，也可以是與其他潛在敵對目標一起的。

二手數據（Secondary Data）用于收集與文獻相關的數據。此外，具有高準確率的人工智能算法的不同模型也被建模成識別類型的架構布局。

5 數據分析與討論

數據是通過二手研究廣泛收集的，包括期刊和網站在內的不同出版來源記錄并說明了各種發展情況。所提出的模型包括不同研究人員所建議的具有固有算法的各個階段，并將其組合在一起以產生應用和執行的一致性可能性。

5.1 模型開發

• (a) 階段A：目標檢測和識別（TDR）

圖1 目標檢測和識別（TDR）的結構

需要高度先進的傳感器來收集數據，并輔以衛星圖像進行確認和分析。可以使用多個傳感器分別進行面部識別、語音識別、行為識別、身體磨損識別和盔甲識別，也可以使用一個先進的傳感器收集所有這些數據。

如圖1所示，TDR系統由四個基本部分組成，即

i. 人類類型

人類類型被分為兩類，即與任何國家的軍隊、民兵或與某些軍隊有合同關系的無關聯民事類型和與任何國家的軍隊、民兵或與某些軍隊有合同關系的某些或完全關聯的軍事類型。

ii. 識別類型

在識別類型下，系統應通過面部識別、語音識別、行為識別、貼身衣物識別、臂鎧識別（如有）（使用分類算法）驗證人的類型分類。

iii. 數據庫匹配

一旦識別類型可用，社交網絡、購買網絡和任何其他可用的網絡都可以通過這種人類身份的主鍵進行搜索。然后可以使用神經網絡對獲得的數據進行分析，以驗證可用性、可行性、習慣和其他認知細節，從而確定每個網絡的10分評分標準。

iv. 評分卡

對每個網絡計算出的單項得分進行綜合，計算出百分比，并進一步分類如下：

a. 高T.S得分：介于（81%及以上）

b. 中等T.S得分：在（61%-80%）之間

c. 低T.S分數：61%以下

• (b) 階段 B：目標摧毀和摧毀證據證明（TDEP）

見圖2，TDEP模型與記分卡和目標物附近可用的支持結構有關，該結構基于自身火炮支持、聯合支持和自身目標支持（當其他兩個支持系統不可用時）。

記分卡主要包括獲得的目標得分，并將其分為高分（H.S）、中分（M.S）和低分（L.S）。在分類完成后，可將其轉發給支持結構進行實施。

根據所感知威脅的閾值、強度和類別，高分可以通知基地支援部門進行炮火支援，中分可以通知聯合支援部門進行聯合支援，低分可以自備彈藥進行自我支援。

圖2 TDEP架構

正在考慮的可能對人類造成威脅的特征包括 (將由單獨的傳感器或組合傳感器收集）（見表1）。

1.人臉

2.人的聲音

3.人的行為（個性、態度）

4.人體穿著

5.人的盔甲和武器（從輕武器到重武器）

表1 擬議的算法選擇

圖3 動作分類和識別算法

圖4 TDRD各子系統的相互連接

因此，建議的模型可命名為TDRD，即TDR（系統R+系統A）和TDEP（系統D）的組合（見圖4）。

有幾種先進目標定位系統用于各種應用。下面是幾個例子：

a. 激光制導系統： 這些系統使用激光技術目標定位特定位置。激光發射的光束在目標上反射，反射的光束被武器或平臺上的傳感器探測到。然后，系統調整武器目標定位，以準確擊中目標。

b. GPS制導系統： 這些系統使用全球定位系統（GPS）技術目標定位特定位置。武器或平臺上的GPS接收器接收GPS衛星信號并計算其位置。然后，系統調整武器目標定位，以準確擊中目標。

c. 慣性導航系統： 這些系統使用加速度計和陀螺儀跟蹤武器或平臺的運動并計算其位置。即使沒有全球定位系統，該系統也能調整武器目標定位，以準確命中目標。

d. 圖像導航系統： 這些系統使用攝像機和傳感器探測和跟蹤目標。系統分析圖像并計算目標的位置和速度。然后，系統調整武器目標定位，以精確打擊目標。

e. 雷達制導系統： 這些系統使用雷達技術探測和跟蹤目標。系統分析雷達信號并計算目標的位置和速度。然后系統調整武器目標定位，以準確命中目標。

這些目標定位系統應用廣泛，如軍事武器、商業航空和自動駕駛汽車。每種系統都有其優勢和局限性，目標定位系統的選擇取決于具體應用的要求。

該TDRD系統模型可安裝在無人機（無人駕駛飛行器）、其他航空系統、地面系統、地面戰車、海基系統上，能夠有目的地確定人類或被人類占據的系統所構成威脅的性質，并精確地消除這些威脅。

此外，TDRD可以將這些數據和信息發送到指揮站，以便對威脅進行分析，并采取其他措施消除目標人員或系統的影響。

6 結論

從上述文獻和對擬議模型開發的討論中，我們可以得出結論，迫切需要開發相互集成的快速人工智能算法，以促進建立一個獨特的超級系統，該系統可以確定潛在的人類和系統所構成的計算威脅，并在認為合適時采取必要的行動。上述系統可作為開發實時改進系統的基礎模型，該系統可根據國家安全需要，協助印度武裝部隊打擊印度境內外的敵人。

本報告重點討論與人工智能系統可能缺乏可預測性而導致的有關風險--被稱為可預測性問題--及其對國家安全領域人工智能系統治理的影響。人工智能系統的可預測性表明人們可以在多大程度上回答這個問題：人工智能系統會做什么？可預測性問題既可以指人工智能系統的正確結果，也可以指不正確的結果，因為問題不在于這些結果是否符合系統工作的邏輯，而是在部署時是否有可能預見到這些結果。

人們越來越擔心，使用不可預測的人工智能系統為高風險決策提供信息可能會導致災難性的后果，這將破壞公眾對部署這些系統的組織的信任，并可能侵蝕政府的聲譽。在國家安全領域，人工智能的使用引入了一個新的不確定性來源，可能會阻礙風險管理程序，并可能使責任鏈變得混亂。在這個領域，可預測性問題的影響可能導致關鍵基礎設施的安全風險、個人權利和福祉的風險、沖突升級或外交影響。

在本報告中，我們首先從技術和社會技術的角度分析了可預測性問題，然后集中討論了英國、歐盟和美國的相關政策，考慮它們是否以及如何解決這個問題。從技術角度來看，我們認為，鑒于人工智能系統的設計、開發和部署的多層面過程，不可能考慮到所有的錯誤來源或可能產生的新行為。此外，即使在理想的情況下，在設計或開發階段沒有錯誤可以假設或檢測，一旦部署了人工智能系統，仍然可能發展出形式上正確的（但不想要的）結果，這在部署時是無法預見的。

我們通過關注人機編隊（HMT-AI）來分析可預測性問題的社會技術影響。人機編隊代表了一種越來越普遍的人工智能系統部署模式。在HMT-AI中，人類咨詢、協調、依賴、發展并與人工智能代理交換任務。由于HMT-AI結合了人類和人工的自主性，它們通過增加人工和人類代理及其環境之間的互動的數量和類型而加劇了可預測性問題。在這種情況下，我們發現可預測性問題的三個主要來源：人機交互、人員培訓和（過度）信任。人機交互可能會助長不可預測的結果，因為它們可以掩蓋、扭曲或過分詳細地描述人工智能系統的工作原理，而培訓計劃可能沒有考慮到人工智能技術的學習能力和HMT-AI的長期慣例建設。同樣，在HMTAI中，人類代理人不加批判地接受AI系統的結果，這種過度信任的動態也可能導致無法預測的結果。

在確定了可預測性問題的一些根本原因之后，我們分析了英國、歐盟和美國的政策，以評估這些原因是否在相關的政策文件中被涵蓋，如果是的話，如何以及在何種程度上被涵蓋。我們確定了四個主要主題和一個缺口。它們是：控制、監督和價值調整；資源提升的方法；可信賴人工智能的發展；以及缺乏對風險管理措施的關注，以遏制可預測性問題的影響。

我們的政策分析包括八個建議，以減輕與可預測性問題有關的風險。關鍵的建議是將治理方法集中在HMTAI上，而不僅僅是AI系統，并將可預測性問題概念化為多維度的，解決方案集中在HMT-AI組成的共同標準和準則上。在這些標準和準則中，可信人工智能的要求是特別相關的，應該與評估人工智能系統的可預測性的標準和認證計劃以及審計HMT-AI的程序結合起來。支持在國家安全中使用HMT-AI的決定的成本效益分析和影響評估應該考慮到可預測性問題及其對人權、民主價值的潛在影響，以及意外后果的風險。為了確保在部署潛在的不可預測的人工智能系統時進行充分的風險管理，我們建議調整ALARP原則--在合理可行的情況下盡量降低--作為制定HMT-AI中可預測性問題的人工智能特定風險評估框架的基礎。

擬議的基于ALARP的框架將提供有用的實際指導，但僅僅是這樣還不足以識別和減輕可預測性問題所帶來的風險。需要額外的政策、指導和培訓來充分考慮人工智能可預測性問題帶來的風險。人工智能系統支持的決策的影響越大，設計、開發和使用該系統的人的謹慎責任就越大，可接受的風險門檻也越低。這些分析和建議應該被理解為可操作的見解和實用的建議，以支持相關的利益相關者在國家安全背景下促進社會可接受的和道德上合理的人工智能的使用。

建議

建議1. 政府應撥出研究經費，發展公私合作，對HMT-AI進行縱向研究。這項研究應側重于HMT-AI中的新舊決策模式，以評估編隊協議建設和培訓對績效和控制措施的影響。重點應放在為HMT-AI的具體動態定義新的培訓協議，以及加快風險管理標準和HMT-AI績效評估的發展。

建議2. 應該建立一個專門的HMT-AI認證計劃，以促進行業對為HMT-AI設計的AI系統的設計要求和評估的共識。任務之間的通用性、有效的溝通、性能的一致性以及對新隊友的適應性都應該包括在這樣一個認證計劃中。在開發不足的ISO標準的基礎上，這個認證計劃還應該擴展到過程的可追溯性和決策的問責制，以及評估HMT-AI信任程度的審計機制。這對于抑制HMT-AI中的過度信任和自滿態度是必要的，這種態度維持或擴大了可預測性問題。

建議3. 對國家安全領域的可預測性問題的政策反應應該側重于管理HMT-AI團隊，而不是單獨的AI系統。

建議4. 國家安全領域的HMT-AI的成本效益分析（CBA）應該包括對AI系統的可預測性以及技術和操作層面的相關道德風險的評估。為了促進各安全機構之間的一致評估，應該定義一個評估人工智能系統可預測性的標準量表，在這個量表上，使用（或不使用）人工智能的選擇應該根據上下文的CBA以及考慮公眾對風險和相關利益的態度來證明。這個尺度的定義應屬于獨立的第三方行為者的職權范圍，即與部署HMT-AI的公共機構不同。

建議5. 與其說是 "更多 "或 "更少 "的可預測性，政策建議應側重于可預測性的權衡，明確具體建議旨在解決可預測性問題的哪個方面，以何種方式解決，以及它們有可能加劇哪些方面，哪些緩解措施將被落實到位。政策應該認識到，可預測性是一個多維度的概念，在一個層面上可預測性的收益可能會以另一個層面的損失為代價。

建議6. 關于國家安全中人工智能可預測性問題的政策應該在正式和操作層面上解決可信度和不可預測性之間的聯系。例如，應該給人工智能系統一個可修正的可預測性分數，這應該包括在對系統的可信任度的評估中。人工智能系統的可信賴性應包括成本效益分析，以評估不想要的行為在不同部署背景下可能帶來的風險。

建議7. 應該為不可預測的人工智能建立風險閾值，這些閾值將圍繞不可預測行為的風險嚴重程度映射到其自身的可預測程度（例如，劃分為已知的已知因素、已知的未知因素等）。這些閾值反過來將為風險管理過程的發展提供信息，允許根據風險的可預測性及其影響對其進行優先排序。

建議8. 應該制定一個基于ALARP的框架，以評估不可預測的人工智能和HMT-AI的風險，并為任何給定的環境確定可接受的最大程度的不可預測性。這個框架應該包括:

• 對特定人工智能系統和HMT-AI的可預測程度的定量評估；
• 對導致部署人工智能系統的設計、開發和/或采購步驟的可追溯性的評估；
• 對部署條件的評估，例如，HMT-AI、操作員（或HMT-AI成員）的培訓水平、交互的透明程度、人類對AI系統的控制水平；
• 對部署該系統的潛在風險和預期收益進行成本效益分析（根據建議4）；
• 對假設情況的分析，以考慮風險暴露或緩解措施的有效性如何隨部署情況而變化；
• 人為推翻系統的協議和補救機制。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

視覺分析是一門通過交互式視覺界面促進分析推理的科學。北約科技組織調查、研究并促進可視化分析方面的合作--促進知識提取和數據分析，以便及時理解態勢并作出有效決策。因此，本報告目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知；4）支持廣泛的國防領域的知情決策，包括網絡、海事、基因組學和社交媒體領域，以及仿真數據的后期分析和現場可視化。

報告簡介

1 背景

信息優勢是軍事優勢的關鍵因素之一；利用來自多個來源的所有相關信息是北約信息優勢的一個關鍵因素。可視化和可視化分析研究對于滿足2015年北約在信息分析（IA）和決策支持（DS）方面的重點目標的需求至關重要：關于決策支持的IA&DS-1和關于大數據和長數據處理與分析的IA&DS-2。

視覺分析（VA）是一門通過交互式視覺界面促進分析推理的科學[1]。VA有三個主要組成部分，即交互式可視化、分析性推理和計算性分析[2]。在專家組所考慮的VA背景下：

• 可視化關注的是使用數據的交互式視覺表現來放大認知[3]。
• 分析推理和計算分析的工作是支持數據探索、分析和理解。

2 目標

北約研究任務組（RTG）探索性視覺分析調查、研究和促進了知識提取/發現和數據分析方面的合作，以便及時了解情況，支持有效決策。該小組探索了可視化如何有效地傳達信息：利用人類的感知和增強人類的認知，即把可視化和用戶的心理模型結合起來（見第2章和[4]）。因此，目標是研究、開發和應用探索性視覺分析技術：1）利用和理解大量復雜的數據集，即大數據；2）幫助隱性知識顯性化；3）提供敏銳的態勢感知，以及4）支持廣泛的不同國防領域的知情決策，如海事、社交媒體、基因組學和網絡領域，以及模擬數據的后期分析和現場可視化。

3 本報告的目的

本技術報告的目的是討論研究小組進行的研究、開發和應用探索性視覺分析的工作，這些數據集涉及到

• 簡易爆炸裝置資源（NATO C-IED COE）。
• 社交媒體；以及
• 網絡和海事及情報行動。

這項工作證明了探索性視覺分析在檢測、監測、分析和理解大型復雜數據集（即大數據）方面的有效性，以提高對態勢的認識和決策支持。

本報告還將討論該小組在以下方面的工作：

• 1）可視化和視覺分析技術的研究和開發。

• 2）提高對研究小組工作的認識。

  • 通過在著名的國際會議上發表論文，如IEEE VIS；以及

  • 為北約的兩個系列講座（IST-143和IST-170）作出貢獻。

• 3）促進視覺分析和可視化技術在北約國防和安全領域及其他領域的開發和應用。

• 4）拓寬對可視化和可視化分析的理解和探索的視野。

• 5）利用新想法的產生。

• 6）通過以下方式發展北約小組間/組內合作。

  • 組織（并在其中介紹小組的工作）一次北約專家聯合小組會議（IST-HFM-154：網絡符號學）和一次北約小組間/組間研討會（IST-178：大數據挑戰--情況意識和決策支持）。

  • 參加其他國家組織的北約活動；以及

  • 與來自不同小組的許多RTG組織聯合會議。

4 本報告結構

報告中的各章總結了在這個RTG過程中進行的工作。

第2章討論了視覺分析的人因考慮。它首先定義了人為因素，并描述了人為因素/以用戶為中心的設計過程。它討論了一些關于設計過程的常見迷思，供設計者注意和避免。視覺分析系統的用戶很多，也很多樣化，所以了解任何項目的用戶對于確保輸出產品的有用性和可用性是最重要的。本章提供了關于如何最佳地顯示信息的標準、指南、啟發式方法和最佳實踐的參考資料。本章還包括討論和數字，描述了對特定數據集使用立體三維可視化的優勢。最后，有一節是關于如何評估可視化的有用性和可用性。包括情況意識和工作負荷指標的資源。

第3章討論了海事領域的信息可視化和視覺分析。

第4章和第5章關注社會媒體數據和模擬數據。

第6章討論了可視化分析和深度學習之間的相互作用。

第7章討論了網絡態勢感知和網絡符號學。

第8章和第9章探討了視覺分析和可視化在北約數據中的應用，如：

• 簡易爆炸裝置（NATO C-IED COE）；和
• 北約HFM-259數據。

這兩章討論了基于網絡訪問這些數據集的發展和由此產生的設計原則，這些數據集的用戶范圍很廣，從普通公眾到研究人員和政策制定者，即來自不同背景、具有不同專業水平和知識的人。對簡易爆炸裝置數據的分析采用了互動式講故事的方法來吸引普通公眾，而HFM-259數據的視覺分析/可視化也適合公眾參與。

第10章得出了結論并提出了建議。

海事領域的信息可視化和視覺分析

• 船舶交通監測與探索性分析的交互式可視化：文獻中提出的方法研究了海洋數據的可視化，以便交互式地探索它們的空間分布和時間演變，或者通過結合聚合和過濾能力促進它們的比較。以地圖為基礎的可視化占主導地位，偶爾也會以數據匯總的統計圖為補充。最近，基于圖形的海洋數據可視化也出現了。基于圖形的可視化可以將匯總統計與交通動態的可視化相結合。

• 海事模式檢測的可視化分析：視覺分析，將有效的海事數據可視化與數據分析相結合，有多種應用。文獻中討論的用途之一是運動模式搜索和匹配，與數據過濾相結合，能夠減少數據泛濫，幫助用戶關注相關的數據特征。這種方法根據經驗來定義運動模式，例如使用基于函數的定義或規則。運動模式也可以從數據中提取，例如使用數據聚類、聚合和過濾技術。地理特征被利用來支持模式的定義和可視化。不同的聚合技術可以被結合起來，有時還可以使用語義學，以支持數據探索。其他工作專門解決異常或不一致的模式檢測。例如，密切接觸的檢測或預測被應用于海上安全，用于船舶碰撞的識別和預防。

• 海事模式和移動性的三維可視化：很少有作品在海洋領域利用三維可視化，因為由此產生的可視化的復雜性增加，會對用戶體驗產生負面影響。領域無關的三維可視化被用來支持單一船只動力學參數的比較。時空立方體可視化對海洋事件的分析是有效的，因為它使空間和時間特征的當代可視化。在培訓中使用的沉浸式虛擬現實模型，可能比二維地圖更有效地支持用戶（和船只）的定向行動。

探索性媒體分析

網絡媒體是影響輿論以及反映輿論的最重要工具之一。這份報告分析了BBC、RussiaToday、DayKiev和delfi.lt（立陶宛的主要新聞門戶網站）對烏克蘭沖突動態的反映。采用了兩種不同的分析方法：共同發生網絡分析來反映沖突期間四個不同媒體渠道的語言變化，以及基于情感的故事情節（syuzhet）分析來監測BBC從2013年到2014年的情感變化。將沖突分為三個階段：開始（2013/11/21-2014/01/15）、升級（2014/01/16-2014/02/17）和占領克里米亞（2014/02/18-2014/02/28）。這些方法可以對媒體中的沖突動態進行可視化分析。從人工智能（AI）、自然語言處理（NLP）和大數據的可視化技術的應用中，可以更好地了解對沖突動態的看法和公眾對特定主題的情緒，以及信息分析的自動化。此外，其他類型的類似應用也是可能的。

仿真數據的可視化探索

仿真被廣泛用作生產前測試系統的一種安全且通常具有成本效益的手段，并作為一種估計其他無法訪問的系統的預期行為的方法。仿真的共同點是隨著時間的推移而發生的事件鏈，導致由仿真算法決定的結果。本章將詳細闡述使用可視化來分析仿真條件和結果，以及如何應用可視化分析（VA）來更好地理解高級仿真算法的內部生活。

有大量不同的工具用于仿真數據的可視化分析；然而，現有工具的適用性高度依賴于被分析的數據及其背景。通用的可視化軟件包并不總是能夠滿足人們的需求。通用的可視化軟件包并不總是容易被有效地用于特定領域的任務。如果沒有資源花在定制軟件上，最好的辦法是將不同的軟件組合成一個工具箱，共同滿足可視化需求。有時，尋找合適的工具必須延伸到自己的領域之外。本報告介紹了適用于批量仿真數據分析的一系列工具：時間線圖(TLG)、可視化工具箱（VTK）和ParaView、VisIt。

探索深度學習

視覺分析（VA）技術可以應用于增強與三個目標有關的深度學習方法：1）了解深度神經網絡的內部運作；2）解釋DL的結果；以及3）利用VA和DL之間的協同作用。

在VA和DL技術的交叉點上的應用如何能夠更好地理解深度神經網絡及其結果，并實現強大的應用。將VA與AI相結合的方法將成為未來國防和安全系統的關鍵驅動力，這些系統具有日益增長的任務復雜性所要求的高級處理能力，但人們不能盲目相信AI的預測而采取行動。

網絡態勢感知

網絡SA與人類的認知過程和數據處理有關。在復雜和動態的網絡環境中，通過敏銳的態勢感知，人類決策的質量和速度可以大大提高。初步評估發現，以用戶為中心的SA方法提供了分析、檢測、發現和識別模式、異常、違規和威脅以及相關事件的有效方法。這些可視化適用于提供關于網絡組件性能的詳細信息。另一方面，生態接口設計（EID）方法提供了有效的可視化，以指導用戶理解網絡應該如何運行，以及這些網絡實際如何運行;因此，分析人員可以很容易地看到網絡的運行層面，即整體態勢。這兩種方法在提供有關網絡情況的不同方面的認識和信息方面相輔相成。網絡符號有可能實現網絡態勢的可視化，盡管目前還沒有明確的方法或解決方案可以最好地實現這一點。

探索性視覺分析法分析簡易爆炸裝置事件

收集和分析有關事件的數據集可以幫助分析人員得出活動水平評估，進行趨勢分析，并對他們所監測的問題有更深入的了解。為了更好地了解簡易爆炸裝置（IED）攻擊的動態，并支持反簡易爆炸裝置（C-IED）的工作，本報告決定采用一種帶有敘事元素的探索性視覺分析方法。分析有關事件的數據集可以幫助得出活動水平評估，進行趨勢分析，并獲得更好的情況意識。探索性視覺分析的目的是讓用戶探索數據集，發現有趣的模式和見解。一些可視化分析工具提供了復雜的互動，可能會讓新用戶感到恐懼。敘事技術可以幫助新用戶開始使用一個新的交互式可視化應用程序，以了解數據集包含什么，以及如何利用探索性視覺分析工具的能力來對數據集進行新的分析。使用探索性視覺分析工具可以在北約反簡易爆炸裝置卓越中心（NATO C-IED COE）制作的烏克蘭簡易爆炸裝置事件數據集中發現有趣的模式，通過應用敘事技術作為交互式可視化工具的一部分將這些見解傳達給用戶。一旦用戶開始探索所提供的見解，他們會被邀請繼續探索，允許他們從數據中獲得更多發現。

人工智能（AI）系統很可能會改變軍事行動。本文探討了人工智能系統如何影響準備和進行軍事行動的主要工具，并受其影響。因此，本文在戰略、理論、計劃、交戰規則和命令的背景下分析和討論了人工智能，以確定機會、挑戰和開放性問題的位置，并提出總體意見。本文采取了一個廣泛的分析角度，能夠根據新的政策和技術發展以及對政治、軍事、法律和道德觀點的考慮，對這一問題進行總體審查。因此，本文提供了一些見解和途徑，以推動對人工智能在軍事行動中的適當整合、管理和使用的進一步思考、研究和決策。

本報告是在 FA9453-19-1-0078 資助下編寫的。首先，提出了兩種數值方法來解決通信和導航中產生的非線性優化問題。其次，開發了兩個關于機器學習模型的解決方案質量和安全性的結果。

該研究項目的目標是開發高效的大規模非線性優化算法，以解決通信和導航方面的數據分析問題。這些問題被公認為在數學上具有挑戰性，并與空軍的利益直接相關。

在資助期間，我們成功研究了兩個研究方向。首先，我們設計了大規模非線性優化問題的最佳一階方法。在這個方向上，我們提出了兩個一階方法，可以對決策變量進行近似梯度更新。這兩種方法都可以解決分散通信的多Agent優化所產生的非線性優化問題。通過將多代理優化重新表述為約束性問題，我們開發的方法可以以最佳梯度/操作者評估復雜度來解決問題。我們開發的方法也可用于解決圖像重建問題。

第二，我們分析了機器學習模型中的解決方案質量和安全問題。在這個方向上，我們完成了兩個研究結果。我們的第一個成果是關于在多集群環境下，從二元結果的條件邏輯回歸模型中計算出來的估計值的屬性。我們表明，當每個單獨的數據點被無限次復制時，來自該模型的條件最大似然估計值漸進地接近最大似然估計值。我們的第二個結果是關于安全的矩陣乘法問題，我們設計了一種準確和安全地進行分布式矩陣乘法的方法。我們的安全協議可以確保在進行這種矩陣乘法的通信過程中沒有任何信息被泄露。

內聚力是團隊的一個重要屬性，它可以影響個人隊友和團隊成果。然而，在包括自主系統作為隊友的團隊中，內聚力是一個未被充分探索的話題。我們研究了關于人類團隊內聚力的現有文獻，然后在此基礎上推進對人類-自主系統團隊的內聚力的理解，包括相似性和差異性。我們描述了團隊的內聚力，各種定義、因素、維度以及相關的好處和壞處。我們討論了當團隊包括一個自主性的隊友時，該元素可能會受到怎樣的影響，并進行了逐一描述。最后，我們確定了可能與內聚力有關的人類-自主性互動的具體因素，然后闡述了對推進有效的人類-自主性團隊的科學至關重要的未來研究問題。

該項目基于博弈論、不確定性量化和數值逼近等方法，致力于兩個主要目標：（I）將它們應用于計算數學中具有實際意義的高影響問題；（II）它們向機器學習方向發展。本著這一目的，以及對概念/理論進步和算法/計算復雜性進步的雙重強調，本計劃的成就如下：(1) 我們開發了學習核的一般穩健方法，包括：(a) 通過核流（交叉驗證的一種變體）進行超參數調整，并應用于學習動態系統和天氣時間序列的外推；(b) 通過可解釋回歸網絡（核模式分解）對核進行規劃，并應用于經驗模式分解。(2) 我們發現了一種非常穩健和大規模并行的算法，基于Kullback-Liebler發散（KL）最小化，計算密集核矩陣的反Cholesky因子的精確近似值，具有嚴格的先驗復雜度與準確度的保證。(3) 我們引入了競爭梯度下降法，這是梯度下降法在雙人博弈環境中的一個令人驚訝的簡單而強大的概括，其中更新是由基礎游戲的正則化雙線性局部近似的納什均衡給出。該算法避免了交替梯度下降中出現的振蕩和發散行為，而且選擇較大步長的能力進一步使所提出的算法實現更快的收斂。(4）我們開發了一個嚴格的框架，用于分析人工神經網絡作為離散化的圖像注冊算法，圖像被高維空間的高維函數所取代。(5) 我們引入了一種通用的高斯過程/核方法來解決和學習任意的非線性PDEs。(6) 我們引入了一個新的不確定性量化框架，解決了傳統方法的局限性（在準確性、穩健性和計算復雜性方面）。

隨著廣泛的應用，人工智能(AI)催生了一系列與人工智能相關的研究活動。其中一個領域就是可解釋的人工智能。它是值得信賴的人工智能系統的重要組成部分。本文概述了可解釋的人工智能方法，描述了事后人工智能系統(為先前構建的常規人工智能系統提供解釋)和事后人工智能系統(從一開始就配置為提供解釋)。解釋的形式多種多樣:基于特征的解釋、基于說明性訓練樣本的解釋、基于嵌入式表示的解釋、基于熱度圖的解釋。也有結合了神經網絡模型和圖模型的概率解釋。可解釋人工智能與許多人工智能研究前沿領域密切相關，如神經符號人工智能和機器教學