論文の概要: Image-Audio Encoding to Improve C2 Decision-Making in Multi-Domain
Environment
- arxiv url: http://arxiv.org/abs/2106.00787v2
- Date: Thu, 3 Jun 2021 01:56:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 12:28:38.150934
- Title: Image-Audio Encoding to Improve C2 Decision-Making in Multi-Domain
Environment
- Title(参考訳): マルチドメイン環境におけるc2意思決定を改善するための画像オーディオ符号化
- Authors: Piyush K. Sharma and Adrienne Raglin
- Abstract要約: 軍隊はマルチドメインオペレーション(MDO)におけるコミュニケーションと機敏性を改善する方法を検討している
IoT(Internet of Things)の利用は将来の戦場に革命をもたらし、戦略的優位性をもたらす可能性がある。
この技術は軍事能力のレバレッジを提供するが、不確実性と関連するリスクが問題となる。
- 参考スコア(独自算出の注目度): 0.9790236766474201
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The military is investigating methods to improve communication and agility in
its multi-domain operations (MDO). Nascent popularity of Internet of Things
(IoT) has gained traction in public and government domains. Its usage in MDO
may revolutionize future battlefields and may enable strategic advantage. While
this technology offers leverage to military capabilities, it comes with
challenges where one is the uncertainty and associated risk. A key question is
how can these uncertainties be addressed. Recently published studies proposed
information camouflage to transform information from one data domain to
another. As this is comparatively a new approach, we investigate challenges of
such transformations and how these associated uncertainties can be detected and
addressed, specifically unknown-unknowns to improve decision-making.
- Abstract(参考訳): 軍は、MDO(Multi- Domain Operation)におけるコミュニケーションと機敏性を改善する方法を調査している。
IoT(Internet of Things)が最近人気になったのは、パブリックドメインと政府ドメインだ。
MDOにおけるその使用は将来の戦場に革命をもたらし、戦略的優位性をもたらす可能性がある。
この技術は軍事能力の活用を提供するが、不確実性と関連するリスクが問題となる。
重要な疑問は、これらの不確実性に対処する方法だ。
近年、あるデータ領域から別のデータ領域へ情報を変換するための情報カモフラージュが提案されている。
これは比較的新しいアプローチであるため、このような変革の課題と、関連する不確実性の検出と対処方法、特に未知の未知の意思決定の改善について検討する。
関連論文リスト
- STYLE: Improving Domain Transferability of Asking Clarification Questions in Large Language Model Powered Conversational Agents [67.05207285885722]
LLMに基づく明確化戦略は、ポストホックな方法で様々なドメインへの迅速な移行を特徴とする。
既存の手法では、様々な領域にまたがる一大戦略が作成され、検索の有効性が制限される傾向にある。
本稿では,ドメイン転送性を効果的に実現するために,Styleと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2024-05-20T14:28:25Z) - Revisiting the Domain Shift and Sample Uncertainty in Multi-source
Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。
この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。
これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文 参考訳(メタデータ) (2023-11-21T13:12:21Z) - Manipulation Risks in Explainable AI: The Implications of the
Disagreement Problem [0.0]
返却された説明を彼らの利益に適応させるために、プロバイダがデプロイできるさまざまな戦略の概要を提供します。
プロバイダが関与しなければならないいくつかの目標と具体的なシナリオを分析します。
これらの手法が広く実施される前に,今,この問題を調査し,緩和策を提案することが重要である。
論文 参考訳(メタデータ) (2023-06-24T07:21:28Z) - Cross-Domain Policy Adaptation via Value-Guided Data Filtering [57.62692881606099]
動的ミスマッチで異なるドメインにまたがるポリシーを一般化することは、強化学習において重要な課題となる。
本稿では、ペア化された値ターゲットの近接に基づいて、ソースドメインからの遷移を選択的に共有するバリューガイドデータフィルタリング(VGDF)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-05-28T04:08:40Z) - Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
時系列異常検出は、幅広い現実世界の応用において難しい課題である。
近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。
本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
論文 参考訳(メタデータ) (2023-04-15T02:28:58Z) - New Challenges in Reinforcement Learning: A Survey of Security and
Privacy [26.706957408693363]
強化学習(Reinforcement Learning, RL)は、AIの最も重要な分野のひとつ。
RLは医療、データ市場、自動運転、ロボット工学など、さまざまな分野で広く採用されている。
これらのアプリケーションやシステムは、セキュリティやプライバシ攻撃に弱いことが示されている。
論文 参考訳(メタデータ) (2022-12-31T12:30:43Z) - Proceedings - AI/ML for Cybersecurity: Challenges, Solutions, and Novel
Ideas at SIAM Data Mining 2021 [6.647584840410018]
悪意あるサイバー活動はユビキタスであり、その有害な影響は社会に劇的かつしばしば不可逆的な影響を及ぼす。
この分野の課題は、コンピュータビジョンのような他の領域にAIを適用することに関連する問題とは大きく異なる。
これらの課題にもかかわらず、機械学習はこの分野に適用され、検出の分野で成功を収めている。
商業部門では、ML強化機能をサービスとして提供しています。
論文 参考訳(メタデータ) (2021-04-27T17:35:31Z) - Machine Learning (In) Security: A Stream of Problems [17.471312325933244]
我々は、サイバーセキュリティデータに対する機械学習技術の正しい適用における主な課題を特定し、詳細化し、議論する。
我々は,概念のドリフト,進化,ラベルの遅延,および既存のソリューションに対する敵MLの影響を評価する。
我々は、ある状況下で既存の解決策が失敗する可能性を提示し、それらに対する緩和を提案する。
論文 参考訳(メタデータ) (2020-10-30T03:40:10Z) - Offline Reinforcement Learning: Tutorial, Review, and Perspectives on
Open Problems [108.81683598693539]
オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。
我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
論文 参考訳(メタデータ) (2020-05-04T17:00:15Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。