論文の概要: Responding to Illegal Activities Along the Canadian Coastlines Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2108.03169v1
• Date: Thu, 5 Aug 2021 04:18:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:38:25.063583
• Title: Responding to Illegal Activities Along the Canadian Coastlines Using Reinforcement Learning
• Title（参考訳）: 強化学習によるカナダ海岸沿いの不法活動への対応
• Authors: Mohammed Abouheaf and Shuzheng Qu and Wail Gueaieb and Rami Abielmona and Moufid Harb
• Abstract要約: Illegal, Unreported, and Unregulated' (IUU) 漁業事件は、深刻な環境と経済的な影響をもたらした。 IUU漁による年間損失は250億ドルに達した。 本論では, 沿岸海域において, 海難船を捕獲する船舶群の動きを調整することの問題点について述べる。
• 参考スコア（独自算出の注目度）: 1.8899300124593648
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article elaborates on how machine learning (ML) can leverage the solution of a contemporary problem related to the security of maritime domains. The worldwide ``Illegal, Unreported, and Unregulated'' (IUU) fishing incidents have led to serious environmental and economic consequences which involve drastic changes in our ecosystems in addition to financial losses caused by the depletion of natural resources. The Fisheries and Aquatic Department (FAD) of the United Nation's Food and Agriculture Organization (FAO) issued a report which indicated that the annual losses due to IUU fishing reached $25 Billion. This imposes negative impacts on the future-biodiversity of the marine ecosystem and domestic Gross National Product (GNP). Hence, robust interception mechanisms are increasingly needed for detecting and pursuing the unrelenting illegal fishing incidents in maritime territories. This article addresses the problem of coordinating the motion of a fleet of marine vessels (pursuers) to catch an IUU vessel while still in local waters. The problem is formulated as a pursuer-evader problem that is tackled within an ML framework. One or more pursuers, such as law enforcement vessels, intercept an evader (i.e., the illegal fishing ship) using an online reinforcement learning mechanism that is based on a value iteration process. It employs real-time navigation measurements of the evader ship as well as those of the pursuing vessels and returns back model-free interception strategies.
• Abstract（参考訳）: 本稿では、機械学習(ML)が海洋ドメインのセキュリティに関連する現代の問題の解決策をどのように活用できるかを詳述する。 世界の'Illegal, Unreported, and Unregulated''(IUU)漁業事故は、天然資源の枯渇による財政的損失に加えて、生態系の劇的な変化を伴う深刻な環境・経済的な影響をもたらしている。 国連食糧農業機関(fao)の漁業水産部(fad)は、イウ漁による年間損失が250億ドルに達したことを示す報告書を発表した。 これは海洋生態系と国内総生産(gnp)の将来生物多様性に悪影響を及ぼす。 したがって、海上領土における違法な漁業事件を検知・追跡するためには、頑丈な妨害機構がますます必要である。 本稿は, 沿岸海域において, 海上船舶群(購入者)のIUU船捕獲時の移動を協調する問題に対処するものである。 この問題は、MLフレームワーク内で取り組まれる追従回避問題として定式化されている。 法執行船のような1つ以上の追随者は、価値反復プロセスに基づくオンライン強化学習機構を用いて、避難者(すなわち違法な漁船)を迎撃する。 潜航船のリアルタイム航法測定と追撃艇の航法測定を行い、モデルフリーの迎撃戦略を返却する。

関連論文リスト

• Uniformly Safe RL with Objective Suppression for Multi-Constraint Safety-Critical Applications [73.58451824894568]
  広く採用されているCMDPモデルは予測のリスクを制約しており、長い尾の州で危険な行動を起こす余地がある。 安全クリティカルな領域では、そのような行動は破滅的な結果をもたらす可能性がある。 本稿では,目標を最大化するタスク報酬を適応的に抑制する新しい手法であるObjective Suppressionを提案する。
  論文  参考訳（メタデータ） (2024-02-23T23:22:06Z)
• Enhancing Global Maritime Traffic Network Forecasting with Gravity-Inspired Deep Learning Models [5.109551157014016]
  水生非先住民種(NIS)は生物多様性に重大な脅威を与え、生態系を破壊し、農業、林業、漁業に重大な経済被害を与える。 本研究では,世界の港湾地域間の海上輸送を予測するための物理インフォームドモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-23T21:22:51Z)
• Lightweight Fish Classification Model for Sustainable Marine Management: Indonesian Case [2.94944680995069]
  オーバーフィッシングは 持続可能な海洋開発における 主要な問題の一つです 本研究は,保護魚種の識別を支援する魚類分類技術の進歩について提案する。 インドネシア列島沖で発見された魚の37,462枚の画像のラベル付きデータセットを収集した。
  論文  参考訳（メタデータ） (2024-01-04T13:56:54Z)
• UDEEP: Edge-based Computer Vision for In-Situ Underwater Crayfish and Plastic Detection [3.3512412533987903]
  侵入信号クレーフィッシュは生態系に有害な影響を及ぼす。 白爪のクラゲの個体数は、一部のイングランドの郡で90%以上減少している。 UDEEPプラットフォームは環境モニタリングにおいて重要な役割を果たす。
  論文  参考訳（メタデータ） (2023-12-21T16:03:59Z)
• LLM Censorship: A Machine Learning Challenge or a Computer Security Problem? [52.71988102039535]
  セマンティック検閲は決定不能な問題として認識できることを示す。 我々は、知識のある攻撃者が不寛容なアウトプットを再構築できるため、これらの課題はセマンティックな検閲を超えて拡張されていると論じる。
  論文  参考訳（メタデータ） (2023-07-20T09:25:02Z)
• Estimating Geographic Spillover Effects of COVID-19 Policies From Large-Scale Mobility Networks [54.90772000796717]
  郡レベルの政策は地域間の柔軟性を提供するが、地理的な流出がある場合には効果が低下する可能性がある。 我々は、数十億のタイムスタンプを持つ移動ネットワークを用いて、流出量を推定する。 郡レベルの制限は、モビリティを減らすための州全体の制限と同等に有効である。
  論文  参考訳（メタデータ） (2022-12-12T20:16:54Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• Robust Reinforcement Learning Under Minimax Regret for Green Security [50.03819244940543]
  グリーン・セキュリティ・ドメインは、密猟者、違法なロガー、違法な漁師の敵対行動の不確実さに直面してパトロールを計画する被告を特徴としている。 文献では検討されていないミニマックスの後悔基準に従って,グリーンセキュリティのための堅牢なシーケンシャルパトロール計画に着目する。 対戦行動のパラメータ値を制御するディフェンダーと自然のゲームとしてこの問題を定式化し,ロバストなポリシーを見つけるアルゴリズムMIRRORを設計する。
  論文  参考訳（メタデータ） (2021-06-15T20:11:12Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)
• Predicting Illegal Fishing on the Patagonia Shelf from Oceanographic Seascapes [0.0]
  違法で、報告されず、規制されていない(IUU)漁業は、魚の備蓄と管理の努力を損なう。 船舶追跡データと機械学習を用いて、パタゴニア棚の違法な漁獲を予測する。
  論文  参考訳（メタデータ） (2020-07-10T16:31:25Z)
• Sustainable Recreational Fishing Using a Novel Electrical Muscle Stimulation (EMS) Lure and Ensemble Network Algorithm to Maximize Catch and Release Survivability [0.0]
  過剰に漁獲された個体の25%はアンカーに遡ることができる。 電気的筋肉刺激に基づく新しい釣りルアーが提案されている。 魚眼カメラのボブは、水中の映像をスマートフォンアプリにワイヤレスで中継するように設計されている。
  論文  参考訳（メタデータ） (2020-05-13T20:35:33Z)

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。