論文の概要: Sea-cret Agents: Maritime Abduction for Region Generation to Expose Dark Vessel Trajectories

• arxiv url: http://arxiv.org/abs/2502.01503v1
• Date: Mon, 03 Feb 2025 16:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:18.649628
• Title: Sea-cret Agents: Maritime Abduction for Region Generation to Expose Dark Vessel Trajectories
• Title（参考訳）: シークレット・エージェント:暗い容器軌道を排出する地域創出のための海洋アブダクション
• Authors: Divyagna Bavikadi, Nathaniel Lee, Paulo Shakarian, Chad Parvis,
• Abstract要約: 船舶の自動識別システム(AIS)を無効にした後、海上産業の悪役が違法行為を行う 機械学習のアプローチは、近い将来、これらの暗黒船の位置を特定することにしか成功しない。 我々は、誘拐、論理プログラミング、ルール学習の概念を組み合わせて、暗い容器の完全なリコールにアプローチする効率的な方法を作成します。
• 参考スコア（独自算出の注目度）: 0.6037276428689637
• License:
• Abstract: Bad actors in the maritime industry engage in illegal behaviors after disabling their vessel's automatic identification system (AIS) - which makes finding such vessels difficult for analysts. Machine learning approaches only succeed in identifying the locations of these ``dark vessels'' in the immediate future. This work leverages ideas from the literature on abductive inference applied to locating adversarial agents to solve the problem. Specifically, we combine concepts from abduction, logic programming, and rule learning to create an efficient method that approaches full recall of dark vessels while requiring less search area than machine learning methods. We provide a logic-based paradigm for reasoning about maritime vessels, an abductive inference query method, an automatically extracted rule-based behavior model methodology, and a thorough suite of experiments.
• Abstract（参考訳）: 海上産業の悪役は、船の自動識別システム(AIS)を無効にした後、違法行為を行うため、アナリストにとってそのような船を見つけるのが難しくなっている。 機械学習アプローチは、近い将来にこれらの 'dark vessel'' の位置を特定することにのみ成功している。 この研究は、この問題を解決するために敵エージェントの配置に適用される帰納的推論に関する文献のアイデアを活用する。 具体的には、推論、論理プログラミング、ルール学習の概念を組み合わせて、機械学習手法よりも探索面積を少なくしながら、暗い容器の完全なリコールにアプローチする効率的な方法を作成します。 本研究では,海図の推論のための論理的パラダイム,帰納的推論クエリ手法,自動抽出されたルールベース行動モデル手法,そして完全な実験スイートを提供する。

関連論文リスト

• Fault detection in propulsion motors in the presence of concept drift [0.0]
  海上電気推進モータの固定子巻線における過熱を検出するための機械学習手法を提案する。 操作データに注入された過熱断層を模擬し, 従来手法と比較して早期検出が可能であった。
  論文  参考訳（メタデータ） (2024-06-12T09:31:03Z)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• How To Not Train Your Dragon: Training-free Embodied Object Goal Navigation with Semantic Frontiers [94.46825166907831]
  Embodied AIにおけるオブジェクトゴールナビゲーション問題に対処するためのトレーニング不要のソリューションを提案する。 本手法は,古典的な視覚的同時ローカライゼーションとマッピング(V-SLAM)フレームワークに基づく,構造化されたシーン表現を構築する。 本手法は,言語先行情報とシーン統計に基づいてシーングラフのセマンティクスを伝搬し,幾何学的フロンティアに意味知識を導入する。
  論文  参考訳（メタデータ） (2023-05-26T13:38:33Z)
• Self-Supervised Adversarial Imitation Learning [20.248498544165184]
  行動クローンは、専門家によるデモンストレーションを通じてエージェントに行動の仕方を教える。 最近のアプローチでは、状態ペアをアクションにデコードするために、状態の完全な観測不可能なスナップショットをセルフスーパービジョンで使用しています。 これまでの作業では、この問題を解決するためにゴール認識戦略を使用していました。 差別化を元のフレームワークに組み込むことによって、この制限に対処する。
  論文  参考訳（メタデータ） (2023-04-21T12:12:33Z)
• Emergence of Maps in the Memories of Blind Navigation Agents [68.41901534985575]
  動物ナビゲーション研究は、生物が環境の空間的表現(地図)を構築、維持する、という仮説を定めている。 私たちはマシン、具体的には人工知能(AI)ナビゲーションエージェントが、暗黙の(あるいは「メンタル」な)マップを構築しているかどうか尋ねる。 動物ナビゲーションとは異なり、エージェントの知覚システムを司法的に設計し、学習パラダイムを制御して代替ナビゲーション機構を無効化することができる。
  論文  参考訳（メタデータ） (2023-01-30T20:09:39Z)
• Occlusion-Aware Crowd Navigation Using People as Sensors [8.635930195821263]
  このような設定では、センサーの視野が限られているため、オクルージョンが非常に一般的である。 これまでの研究では、人間のエージェントの観察された対話的行動が潜在的な障害を推定するために用いられることが示されている。 本稿では,このような社会的推論手法を計画パイプラインに統合することを提案する。
  論文  参考訳（メタデータ） (2022-10-02T15:18:32Z)
• Verifying Learning-Based Robotic Navigation Systems [61.01217374879221]
  有効モデル選択に現代検証エンジンをどのように利用できるかを示す。 具体的には、検証を使用して、最適下行動を示す可能性のあるポリシーを検出し、除外する。 我々の研究は、現実世界のロボットにおける準最適DRLポリシーを認識するための検証バックエンドの使用を初めて実証したものである。
  論文  参考訳（メタデータ） (2022-05-26T17:56:43Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• Evaluating the Safety of Deep Reinforcement Learning Models using Semi-Formal Verification [81.32981236437395]
  本稿では,区間分析に基づく半形式的意思決定手法を提案する。 本手法は, 標準ベンチマークに比較して, 形式検証に対して比較結果を得る。 提案手法は, 意思決定モデルにおける安全性特性を効果的に評価することを可能にする。
  論文  参考訳（メタデータ） (2020-10-19T11:18:06Z)
• COLREG-Compliant Collision Avoidance for Unmanned Surface Vehicle using Deep Reinforcement Learning [0.0]
  追従と衝突回避は、無人表面船や他の自動運転車にとって、ロボット工学における2つの基本的なガイダンス問題である。 本稿では,連続制御タスクにおける最先端性能を示すDRLアルゴリズムであるPPOの可能性について検討する。 ノルウェー海の入り江であるトロンドハイム・フィヨルド(Trondheim Fjord)の高忠実な標高とAIS追跡データに基づいて、我々は訓練されたエージェントのパフォーマンスを挑戦的でダイナミックな実世界のシナリオで評価した。
  論文  参考訳（メタデータ） (2020-06-16T22:05:58Z)
• Challenges in Vessel Behavior and Anomaly Detection: From Classical Machine Learning to Deep Learning [10.61567813380562]
  本稿では,従来の機械学習と深層学習の課題と機会について論じる。 これらの課題に対処することは、実際のインテリジェントな海上監視システムにとって重要なステップであり、新しい方法やツールの研究を動機づけたいと考えています。
  論文  参考訳（メタデータ） (2020-04-07T21:25:12Z)

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。