在类增量学习(CIL)场景中,分类器对当前任务的偏好引起的灾难性遗忘现象长期以来一直是一个重大挑战。这主要是由判别模型的特性所引起的。随着生成式多模态模型的日益流行,我们将探索用生成模型替换判别模型以用于CIL。然而,从判别模型转向生成模型需要解决两个关键挑战。主要挑战在于将生成的文本信息转换为不同类别的分类。此外,它还需要在生成框架内制定CIL的任务。为此,我们提出了一种新颖的生成式多模态模型(GMM)框架用于类增量学习。我们的方法直接使用适配的生成模型为图像生成标签。获取详细文本后,我们使用文本编码器提取文本特征,并采用特征匹配来确定最相似的标签作为分类预测。在传统的CIL设置中,我们在长序列任务场景中取得了显著更好的结果。在少量样本CIL设置下,我们的准确度至少提高了14%,相比所有当前最先进的方法有显著更少的遗忘。我们的代码可在 https://github.com/DoubleClass/GMM 获取。

成为VIP会员查看完整内容
14

基于无人协同博弈快速发展并临近实战的背景下,结合数字孪生技术构建无人协同博 弈数字孪生系统模型,搭建无人智能博弈的系统结构体系,从而推进无人协同博弈孪生仿真的研究 实践。 基于 KJ 法,对相关战例进行归纳分析,进而对未来战争样式进行推演、对无人协同博弈系统 要素和组织关系进行演绎推理。 通过构建无人协同博弈矩阵、无人协同博弈函数、无人协同博弈优 化方程矩阵,完成无人协同博弈态势感知及博弈方案优化模型构建,实现阶段博弈方案全局最优, 结合数字孪生技术,从物理层、虚拟层、服务层、数据层、数据连接 5 个方面构建出无人协同博弈数 字孪生结构模型,并梳理此模型的技术体系。 为实现无人协同博弈的虚实同步,交互运行,智能决 策优化提供理论框架,为未来无人作战体系构建提供参考。

成为VIP会员查看完整内容
11

图自监督学习现已成为预训练图基础模型的首选方法,包括图神经网络、图变换器以及更多最近基于大型语言模型(LLM)的图模型。图的结构和属性中嵌入了多种知识模式,这些模式可用于预训练,但我们缺乏一个系统的综述,以图知识的角度来概览自监督预训练任务。在本文中,我们从知识基础的视角全面综述并分析了图基础模型的预训练任务,包括微观(节点、链接等)和宏观知识(簇、全局结构等)。文中涵盖了总共9个知识类别和25个预训练任务,以及各种下游任务适应策略。此外,还提供了一个包含详细元数据的相关论文的广泛列表,地址为 https://github.com/Newiz430/Pretex。

图在各种真实世界的应用中普遍存在,展示出多样化的知识模式[Zhang et al., 2022b]。随着时间的推移,挖掘图的技术已经从网络嵌入发展到图神经网络(GNNs)、图变换器以及更多最近的基于大型语言模型(LLM)的图模型,这些合称为图基础模型[Liu et al., 2023a]。图上的自监督学习(SSL)已经成为一种强大的方法,用于发现大量未标注数据中的潜在模式[Kipf and Welling, 2016; Velicković et al., 2019],如图1所示。为了实现更好的任务泛化性——图基础模型向各种下游任务泛化的关键能力,设计了各种类型的无监督预训练任务,也称为预文本,用于提取隐藏的监督信号以预训练图模型。之后,预训练模型适应于各种应用场景,如节点分类、链接预测和推荐[Wang et al., 2023c]。本文提出了一个全面的综述,关于图基础模型的自监督预训练策略。我们的贡献有两方面。(i) 全面性:据我们所知,这是第一个涵盖所有类型图基础模型的自监督预训练综述,包括GNNs、图变换器和基于LLM的图模型,使得可以进行统一分析以获得更深入的见解。现有的综述在这一领域仅限于一种类型的图模型,如GNNs[Xia et al., 2022c; Xie et al., 2022b; Liu et al., 2022b]或基于图的LLMs[Liu et al., 2023a; Jin et al., 2023],导致了一个不完整且分散的视角,忽略了GNNs和LLMs预训练之间的关系。(ii) 基于知识的视角:现有综述如[Xie et al., 2022b; Liu et al., 2022b; Liu et al., 2023a]广泛地将图SSL方法分类为“生成性(预测性)-对比性”。这种宽泛的分类不足以捕捉图的独特特性,图的结构和属性中嵌入了多样化的知识模式。例如,预测链接的任务需要了解节点之间的局部关系,而预测簇的任务需要了解整个图上节点的分布情况。为了更好地分析不同类型的图自监督预训练策略,我们提出了一个基于知识的分类法,将预训练任务根据所利用的知识类型进行分类,如图2所示:微观知识(第3节)关注于节点级属性和节点之间的局部关系,如链接和上下文子图;宏观知识(第4节)关注于对大部分或整个图产生影响的大规模模式,如长距离相似性和簇。这样的基于知识的分类法提供了一个统一的视角,不仅分析现有图模型的预训练策略,还有最新的基于LLM的图模型(第5节),并探索图基础模型自监督预训练的未来方向(第6节)。它为结合不同方法以创建更具泛化性和强大的图学习者提供了灵感。

成为VIP会员查看完整内容
8

来源:人民网   日前,人民网财经研究院、至顶科技联合发布《开启智能新时代:2024年中国AI大模型产业发展报告》(以下简称《报告》),对于AI大模型产业发展背景、产业发展现状、典型案例、挑战及未来趋势等方面进行了系统全面的梳理,为政府部门、行业从业者以及社会公众更好地了解AI大模型产业提供参考。  

政策、技术、市场驱动AI大模型产业发展

  近年来,我国始终高度重视人工智能发展机遇和顶层设计,发布多项人工智能支持政策。国务院于2017年发布《新一代人工智能发展规划》,科技部等六部门于2022年印发《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》对规划进行落实。2024年《政府工作报告》中提出开展“人工智能+”行动。   伴随人工智能领域大模型技术的快速发展,我国不少地方政府出台相关支持政策,加快大模型产业的持续发展。当前,北京、上海、广东、安徽、福建和深圳、杭州、成都等地均发布了AI大模型的相关产业政策。   《报告》认为,中国AI大模型产业发展源于多领域的广泛需求,例如来自办公、制造、金融、医疗、政务等场景中降本增效、生产自动化、降低风险、提高诊断准确率、提高政务服务效率等诉求。相关领域的创新和发展共同推动着中国AI大模型产业的蓬勃发展,预示着未来更广阔的市场前景。   中国AI大模型产业呈现蓬勃发展的态势

  《报告》对目前的AI大模型按照部署方式进行了划分,主要分为云侧大模型和端侧大模型两类。具体而言,云侧大模型分为通用大模型和行业大模型;端侧大模型主要有手机大模型、PC大模型。   伴随多家科技厂商推出的AI大模型落地商用,各类通用、行业以及端侧大模型已在多个领域取得了显著的成果,如在金融、医疗、政务等领域,AI大模型已成为提升服务质量和效率的重要手段。   我国具有代表性的通用AI大模型主要包含科大讯飞的讯飞星火认知大模型、百度公司的文心一言大模型、阿里巴巴的通义千问大模型等;行业AI大模型主要涵盖蜜度的文修大模型、容联云的赤兔大模型、用友的YonGPT大模型;同时具有云侧和端侧大模型的端云结合AI大模型主要有vivo的蓝心大模型;端侧AI大模型主要以蔚来的NOMIGPT大模型为代表。   中国AI大模型产业发展仍存多方面挑战

  大模型产业遭遇算力瓶颈。随着AI大模型规模呈现指数级增长,训练大模型越发依赖高性能AI芯片。国内AI高性能芯片市场受进口限制和国内技术瓶颈的双重影响,大模型产业发展受到算力层面的一些制约。   主流大模型架构仍存在诸多局限。首先,Transformer架构消耗的算力资源普遍较大;其次,基于Transformer架构的大模型对存储设备的要求也更高。   高质量的训练数据集仍需扩展。国内的AI大模型数据主要来自互联网、电商、社交、搜索等渠道,存在数据类型不全面,信息可信度不高等问题。整体来看,我国可用于大模型训练的中文数据库体量严重不足。   大模型爆款应用尚未出现。国内的AI大模型产业至今没有出现爆款级应用,原因在于尚未找到商业化思路,缺乏满足客户需求的个性化应用。我国大模型产业要推出爆款级应用,势必要在应用领域做深做细,让每一个用户都可以充分享受到大模型所带来的真正便利。  

展望中国AI大模型四大产业趋势

  AI大模型的出现,使得利用人工智能技术来生成内容,从“可用”跨越到“好用”。未来,人工智能生成内容从“好用”到“高效”,也许会再经历一次或多次技术范式的颠覆。同时,《报告》提出了中国AI大模型四大产业趋势展望:   AI云侧与端侧大模型满足不同需求,C端用户将成为端侧的主要客群   强大的算力和海量的训练数据库,支撑大语言模型高参数,云侧大模型能够提供语言理解、知识问答、数学推理、代码生成等能力。   一方面,面向C端个人用户,云侧大模型提供智能问答、文本生成、图片生成、视频生成等功能。另一方面,面向B端企业用户,云侧大模型变革企业传统业务模式,提供营销、客服、会议记录、文本翻译、预算管理等个性化服务。   AI大模型趋于通用化与专用化,垂直行业将是大模型的主战场   与通用大模型相比,行业大模型具有专业性强、数据安全性高等特点,未来大模型真正的价值体现在更多行业及企业的应用落地层面。   一方面,行业大模型将通用大模型用于形成多领域能力的资源集中于特定领域,模型参数相对较小,对于企业落地而言具有显著的成本优势。另一方面,行业大模型结合企业或机构内部数据,为B端用户的实际经营场景提供服务,能更加体现模型对于机构的降本增效作用。   AI大模型将广泛开源,小型开发者可调用大模型能力提升开发效率   小型开发者通过调用大模型能力,大幅提升编程效率,进一步推动AI应用落地。   一方面,小型开发者可基于大模型进行项目、应用以及插件等开发工作,不再局限于算力资源、无需进行复杂的模型训练、调参,轻松实现应用落地。另一方面,小型开发者利用大模型技术提升开发效率,通过在代码工具中集成大模型能力,辅助完成部分重复性工作,为开发人员提供量身定制的代码建议,还可以自动检测代码中的Bug,并生成相应的测试用例,缩短工程师开发流程中的编码和纠错时间。   AI高性能芯片不断升级,AI大模型产业生态体系将不断完善   在大模型场景下,AI高性能芯片主要用于大模型的训练环节,芯片性能的强弱直接影响大模型的性能和表现。在全球AI高性能芯片市场中,英伟达的芯片产品采用最前沿半导体工艺和创新GPU架构保持行业的领先地位。   《报告》认为,AI大模型可以创造新价值、适应新产业、重塑新动能,是加快发展新质生产力的关键要素。面对未来,我国需进一步加强资源与研发力量的统筹,强化大模型在发展中的场景牵引作用,促进经济社会的高质量发展,以实现大模型技术的高质量应用突破,驱动实体经济的蝶变和产业变革。   具体内容如下

成为VIP会员查看完整内容
28

导航我们的周围环境是一项重要技能,它使我们人类能够自由地与环境互动。因此,导航技能对于在我们的世界中操作的真正自主的技术系统也是基础。在这篇论文中,我们研究了自主智能体如何学习到达其环境中指定的目标位置,这需要执行一个精心选择的动作序列。

强化学习(RL)是一种机器学习范式,用于通过与环境的互动来学习决策策略,该策略通常由神经网络表示。如果智能体执行环境中的动作所接收的奖励是稀疏的,那么改进策略变得困难且低效。因此,在这篇论文中,我们专注于在这种稀疏奖励设置下,提高自主智能体的策略学习;特别是探讨了结合RL和规划的优势。 首先,我们研究了自动生成一个将最初无技能的智能体置于逐渐增加难度的起始状态的课程。我们提出了一个基于性能的起始状态课程框架,以及一个选择在智能体能力的空间边界开始的新颖空间梯度(SG)策略。 之后,我们通过假设有一张粗略的地图并且额外地目标是跨环境泛化,稍微调整了设置。我们提出了一个层次化策略架构,VI-RL,它将在问题抽象中以较低的时间分辨率规划子目标与学习达到这些子目标的策略相结合。这通过将决策问题划分为更短的子任务来简化决策问题。我们展示了从可用的轮次数据中学习适合规划的转移模型的能力,该模型捕捉了智能体的能力并实现了泛化。

在这项工作的后续中,我们通过学习基于详细的局部状态信息来局部细化简单最短路径计划,提高了子目标规划的效率和性能。对于后者,我们提出了RL训练的价值细化网络(VRN)。它还使得在没有重复全局重新规划的情况下导航动态环境成为可能。

最后,我们通过提出HORIBLe-VRN算法来处理离线学习设置,以从预先收集的数据中学习上述基于层次规划的策略。它结合了层次模仿学习,包括潜在子目标的推断,以及随后对VRN的离线RL细化。我们的实证评估显示出良好的性能、泛化能力以及对次优演示的一定鲁棒性。 总结来说,我们提出了基于RL和规划技术的算法,这些算法使得在稀疏奖励智能体导航任务中的学习和数据效率得到了提高。

成为VIP会员查看完整内容
16

随着基础模型的出现,基于深度学习的目标检测器在封闭集场景中展现出了实际的可用性。然而,对于现实世界的任务而言,目标检测器往往在开放环境中运作,其中影响模型学习的关键因素(例如,数据分布、目标)经常在变化。开放环境的动态复杂性给目标检测器带来了新颖而巨大的挑战。不幸的是,当前对开放环境中目标检测器的研究缺乏对它们独特特性、挑战及相应解决方案的全面分析,这阻碍了它们在关键的现实世界场景中的安全部署。本文旨在通过对开放环境中目标检测器进行全面的综述和分析来弥补这一差距我们最初识别了现有检测管道内关键结构组件的局限性,并提出了包括四个象限(即,领域外、类别外、鲁棒学习和增量学习)的开放环境目标检测器挑战框架,基于数据/目标变化的维度。对于提出框架中的每一个挑战象限,我们提供了详细的描述和系统的分析,概括了总体目标和核心难点,系统地回顾了相应的解决方案,并在多个广泛采用的数据集上对它们的性能进行了基准测试。此外,我们还讨论了开放问题和未来研究的潜在途径。本文旨在提供一个新鲜的、全面的、系统的对开放环境目标检测器的挑战与解决方案的理解,从而催化更加坚固的应用在现实世界场景中的发展。与此综述相关的项目可以在 https://github.com/LiangSiyuan21/OEOD_Survey 找到。

目标检测作为计算机视觉中的基础任务之一,通过预测给定图像中视觉对象的位置和类别来识别实例。随着深度神经网络的发展,尤其是基础模型的出现,深度目标检测[1]、[2]、[3]受到了广泛关注,并成为自动驾驶[4]、医疗保健[5]、人脸检测[6]、[7]等各个应用领域的基础构件。特别是,深度目标检测器的有效性主要依赖于闭集假设,即有限、已知和定义良好的结构[8]。例如,用于训练和测试的数据满足相同的分布,学习过程针对不变的目标任务(良性示例上的标签分类和位置回归)进行优化。由于日益具有挑战性的任务的驱动,实际深度检测器应用场景的环境从闭合逐渐演变为开放[8]。在开放环境中,模型学习过程的关键因素(例如,数据分布和目标任务)可能随着时间和周围环境发生动态变化。例如,开放环境可能在测试期间引入模型在训练期间未遇到的新类别,甚至带有可能干扰模型决策的噪声。开放环境设置紧密地反映了现实世界情况,要求深度检测器展现出增强的鲁棒性和可扩展性,有效地应对未预见的变化和挑战。

一些综述专门关注了深度目标检测器面临开放环境中特定挑战时的性能,如域适应问题[9]。更多相关综述可以在附录材料A中找到。然而,仍然不存在对开放环境中目标检测器的独特特性、挑战及相应解决方案进行全面和整体分析的研究,这阻碍了它们在关键的现实世界场景中的安全部署。这篇综述通过全面检查开放环境中的目标检测器,强调深度检测模型对数据变异性和目标变化的韧性,弥补了这一差距。特别地,我们首先进行结构分析,以识别现有检测管道内的脆弱性。随后,我们提出了一个四象限分类框架,清晰地展示了这些挑战在数据变化和目标变化两个维度上的相互作用和区别,分别在水平轴和垂直轴上表示。通过界定每个象限,我们提供了对每个特定上下文中深度目标检测器的公式、挑战和潜在解决方案的详细分析。我们还定量基准测试并讨论了在多个广泛采用的检测数据集上回顾的方法。此外,我们强调了每个问题领域的前瞻性研究方向,并强调加强这些挑战之间联系的重要性。图1中展示的研究趋势突显了研究者在这一领域的日益增长的兴趣和积极参与。这强调了我们对开放环境中目标检测的详细回顾的重要性,旨在阐明和解决目标检测器面临的挑战,并鼓励在现实世界中的创新解决方案。我们的贡献可以总结如下:

这项综述首次开发了一个四象限分类法,涵盖了开放环境中目标检测器面临的主要挑战。此外,我们的分析深入探讨了深度目标检测架构的脆弱性,阐明了模块之间与挑战之间的关系。

基于挑战框架,我们强调了开放环境目标检测器的四个关键目标,并对特定问题及其相关解决方案进行了深入的审视

我们还定量基准测试了回顾的方法在多个广泛采用的检测数据集上,并探索了开放环境目标检测未来发展的潜在方向

本文的其余部分组织如下。第2节描述了深度目标检测器的发展趋势并介绍了开放环境问题。第3节分析了现有检测器每个组件的脆弱性以及在开放环境中的总体目标。第4、5、6和7节分别详细介绍了领域外、类别外、鲁棒学习和增量学习在开放环境中的挑战、困难和解决方案。第8节总结并基准测试了现有方法在多个数据集上的性能。第9节总结了这项工作并讨论了几个潜在的研究方向。

成为VIP会员查看完整内容
11

本报告调查了 "低密度战场 "以及在这种环境下使用武装无人机的情况。低密度战场是指规模不大的地面部队在广阔的地理区域内作战,没有连续的战线,通信线路脆弱,可以选择何时和在何种情况下参战。

报告以现实世界中的 "巴伊拉克塔尔"TB2、"灰鹰 "和 "死神 "无人机类型为基础,定义并讨论了一种通用武装无人机类型。报告在北欧-波罗的海地区构建了四个低密度战场场景,评估了武装无人机在其中的使用情况,并定义了武装无人机的任务。报告概述并讨论了武装无人机的要求、概念、能力、优缺点,同时就未来发展提出了一些最终建议。

本文所定义的武装无人机作为一种有效的能力,在低密度战场环境下,特别是在较低冲突级别和面对模糊不清的情况下,具有巨大的潜力。其主要优点是简单、低成本和耐用。其主要弱点是火力和生存能力。这种不成熟的概念需要融入当前的部队结构,而且还有其他改进的余地,但逐步增加但昂贵的改进带来了功能膨胀和成本爆炸的危险。

成为VIP会员查看完整内容
14

图:贝尔公司提出的大型、中型和小型 HSVTOL 方案。这种设备对于多域环境下的陆地行动至关重要。资料来源:贝尔-德事隆公司。

战场上的技术进步带来了新的多域作战环境,迫使陆军在条令、组织或物资方面进行大量变革,以适应多域环境。就多域环境下的陆地作战而言,许多思路仍在勾勒之中,而美国陆军的作用显而易见,它正在引领上述各方面的变革。下面,将试图揭示问题的现状以及陆军在这一新环境中作战所面临的挑战

条令框架有助于武装部队建立完成任务的机制,影响到战略、战术、后勤、使用材料和工具的要求,以及技术和行动程序。

如果说有哪个机构特别重视军事思想和更新上述条令框架,并以其经济实力和在不断变化的世界中的责任为后盾的话,那一定是北美五角大楼;鉴于其在北约组织中无可争议的领导地位,五角大楼最终有时甚至为盟国承担了令人筋疲力尽甚至是白费的工作。

当然,美国还担负着其他角色,这些责任肯定不符合北约的战略方针,例如印度洋-太平洋地区,这也是为什么美国陆军特别重视多域部队的原因;因为在这一战区,似乎没有大规模陆地行动(大规模作战行动或 LSCO)的位置,战略的基础是所谓的 FCO(以火力为中心的行动)和远程火力。

东欧的情况则截然不同,乌克兰战争正在唤醒所有欧洲国家的战略昏睡。面对俄罗斯侵略的恐惧,他们开始了重整军备的进程,结束了自柏林墙倒塌和苏联解体以来导致西方降低对其安全预期的历史间隔,同时开始了一系列稳定局势、执行和平和打击恐怖主义的行动,这些行动基本上都是不对称和远征性质的,最重要的是,规模和杀伤力有限。

这两个条件正是在乌克兰冲突中暴露出来的,不同国家都在考虑恢复兵役,以便在危机发生时能够组建足够数量的地面部队,保卫边界免受直接攻击。

也正是在这种情况下,美国陆军在长期不断削减在欧洲的兵力后,加强了其在欧洲大陆的存在,并将重点重新放在国家间冲突的本质上,即保卫西方社会拥有家园和管理机构的领土,这是军事行动所依赖的价值观,这反映在美国陆军部发布的《FM 3 -0:行动》中。

这意味着,与当时在波斯湾的行动不同,非对称作战的现行交战规则(ROE)对破坏力的调控比当时的交战规则更加敏感,会影响指挥部决定进行调动,尤其是逆向调动。

在乌克兰清楚地看到了这一点,在那里,防御部队面临机动的瘫痪和火力的更大优势,造成了弹药的高度损耗和过高消耗,以至于大大超过了欧洲军火库赖以建立的所有供应量。

图:多域作战空间图示。来源--美国陆军 David G. Perkins

多域作战

在军事艺术的演变过程中,武器应用技术的不断改进具有特别重要的意义,这使得一些理论得以产生或改写,而这些理论由于缺乏实际应用,一直处于潜伏状态,直到时机成熟时才变得可行。

在以前的著作中,讨论过其中的一些新理论,强调它们实际上不过是古代概念的演变,由于这些新技术的推动和某些武器系统的卓越能力而闻名于世。因此,美军今天的陆军行动被称为多域联合作战,或简称为 MDO(多域作战)。

在现实中,"联合 "概念已被充分同化,以至于这并不意味着什么,从物理行动中认知域的完全整合(仍然是海陆空三军),到不止一个物理域的行动;多年前在两栖登陆、海岸防御或空地战或 1986 年的空地战等条令概念中得到了具体化,空地战是北美对 30 年代德国闪电战的更新。

这并不是唯一的例子:第二次世界大战期间战斗航空的巩固不仅在陆地领域非常重要,它也彻底改变了海上战争,以至于航空母舰和所谓的空海领域(我们已经在这几页上讨论过)使所有以前的海军方法都过时了,除了水下。

目前的 DMO 概念与这些例子并无太大不同;如果说有什么不同的话,那就是它影响了目前的指挥和控制手段所提供的可能性,即通过基于新的作战网络的横向指挥系统,汇聚不同的力量,并使部队在其行动范围之外采取有利于其他部队的行动,这种横向指挥系统被称为 "网络中心战"(Network Centric Operations)或 "NCO",这是 90 年代后期提出的一条条令,它在技术上可行已经等了 20 年;其结果是创建了一个强大的指挥和控制(C2)网络,现在被称为 "网络云"。

这种演变包括在复杂的环境中整合传统的多领域能力,以形成集中和有时限的努力。与此同时,与行动范围相关的行动责任概念已被打破,这就是为什么陆、海、空三军的兴趣集中在可能阻碍其目标的挑战上,而在其他领域采取行动只是因为需要将阻碍其行动的威胁结合起来。

多域作战则基于相反的假设,即利用各领域(有形或无形)的能力来支持各领域优先组成部分的作战计划。举个例子:防空火力或海岸防御会使这些火炮系统影响其目标所在的海域或空域;但它们不一定会与自己的空军和海军舰队协调这一行动,特别是在时间矢量上,以获得作战优势。然而,炮兵可以削弱敌方的区域防空防御,从而使我方空军或我方巡航导弹攻击能够越过防空防御以追击目标,这就是多域作战的一个例子,如果这两种行动由一个共同的指挥部协调并有利于联合作战规划(OPLAN)的话。

非物理域(如控制论或电磁学)已经实现了这一目标,虽然它们可以独立工作,但在作战领域会产生影响,为物理域提供支持。同样,我们可以清楚地区分战斗支援功能,特别是空袭,只要它们是为地面部队工作或作为一个独立的领域(航空航天力量),这表明它们是任务而不是手段及其行动领域。

当考虑联合作战时,情况就变得更加复杂了,联合作战是指几个国家共同参与的行动;在北约内部,联合作战是最常见的,这也是为什么他们已经在使用一种被称为 "全域联合作战"(JADO)的演化版 DMO。

联合规划机构通常由最高级别的战略领导层负责,并将作战和战术层面的行动执行权下放给各组成司令部(陆、海、空、特种部队甚至网络),在这些司令部中,由于有一系列通用程序和标准(STANAG),整合不同来源的部队要容易得多。

在所谓的 "联合全域指挥与控制"(JADC2)计划中,已经开始研究从联合指挥系统有效指挥战斗的复杂性,目的是加快决策周期,避免过多的信息对指挥官产生有害影响,以及认为信息总会改善决策周期,或者说是同样的情况:由于缺乏信息而担心出错。这通常会导致过分谨慎和缺乏冒险的主动性。

迄今为止,美国陆军的多域概念是以基于火力的作战和远程火力系统为资本的。因此,它创建了 MDTF 或多域特遣部队单元,这些单元与旅级实体部队一起,通过基于导弹的远程精确火力(LRPF)炮兵群和必要的支援要素,在战略领域采取行动。这些部队的规模从一个防空营和另一个用于直接保护(陆地)的防空营,到一个规模与宏大目标相称的 ISTAR 单元不等。后者才真正符合合作网络系统或网络的要求,因为所谓的 I2CEWS 或情报、信息作战、网络空间、电子战和空间作战营(以许多其他专业连队为代表)有望成为非致命效应网络的一部分,这些效应对战区指挥官决定采取何种行动来完成任务具有决定性作用,即使使用多用途战斗部以外的武器也是如此。

这些效果包括从瞄准本身到电子战(EW),通过评估对敌人造成的有形和无形伤害(电子或控制论),这使得多用途战斗部不仅仅是一个炮兵单元。在动能武器方面,他们将配备三个不同能力的炮组:远程高超音速武器(LRHW)、中程能力(MRC)或 "台风 "炮组和 HIMARS 炮组(装备新型 PrSM 导弹);作用距离分别可达 2.500、1.500 和 500 千米。

图:美国陆军多域特遣部队的组织结构。来源 - 美国陆军。

##以师为中心的行动 尽管如此,现在的挑战是如何使其庞大的机动部队适应多域环境下的作战,目标定在东欧。因此,在大规模作战行动中,将不得不面对远程精确火力的存在,以及缺乏能够保护我们的部队免受敌方空中力量攻击的空中优势,迫使我们将现役部队分散到远离标记目标的地方,并保护特遣队将集中发动进攻行动的集结点。

事实证明,当前乌克兰冲突中的俄罗斯空军并没有对北约的航空力量构成巨大挑战,恰恰相反,但乌克兰冲突最终使非常规利用非空域的概念日趋成熟。 与常规 "空中优势 "相匹配的是无人机;显然,指的是无人机。

为此,北美陆军恢复了师这一步骤,将其作为在作战领域采取行动的最低限度,并配备足够的情报、指挥和控制(C3I)工具以及在第三维度的存在,这与以前的构想不同,在以前的构想中,反恐斗争基本空白的战斗空间有利于旅的优势,或者说旅的实体力量,这并不完全相同。

由于需要在这些较低层次的部队中整合不同的领域,因此,尽管部署的兵力实际上是一个旅级实体(约 3500 人),但却需要比一个旅级实体更大的总部,从而将师级部队转变为一个联合行动梯队,其基础就是所谓的 JTF(L)--总部或联合特遣部队(陆地)总部。

图:北美远程火力武器库中最先进的武器--新型 LRHW 的首次实际部署。资料来源 - 美国陆军。

美陆军将师作为一个整体作战单元重新武装起来,特别强调重装部队及其高强度作战能力,创造了以师为中心的作战(DCO)这一术语,即以师为中心的作战;包括克服使其难以前进的地理特征(如河流或洼地)或大型防御区的能力,这是在乌克兰惨痛教训的结晶。因此,新的师,特别是加强装甲师,都有一个专门从事机动/反机动的战斗工兵团。

而高强度战争的一大挑战(这远不是什么新问题)就是如何在敌方防御阵地的阻挡下取得机动优势。雷场,尤其是当雷场与火力重叠时,能够阻止和摧毁任何机动部队,特别是当这些火力在我方鞭长莫及(反炮火)的情况下,虽然部署在后方很远的地方,但却能在战场上耳聪目明。

认识到这一点正是未来多域作战的另一个基本支柱;设计美军所谓的师跨域特遣部队或 D-CDTF,这不过是一支 AGT(战术小组)型作战部队,由师长直接下令,以西班牙条令所谓的'手段经济'行事。这支部队将在距离其主力部队长达 60 千米(比目前增加一倍)的距离上提供安全保障、大型旅级单元(美国的 BCT 或旅级战斗队)之间的联络和火力侦察;这将使师长能够保留其旅,使其只参与决定性的战斗,同时使其远离敌人的火力范围,从而避免过早减员。

CDTF 的主要重任落在师骑兵大队身上,该大队被称为中队(正规名称为装甲师骑兵中队或 ADCS),这支部队在荒废了二十年后最近才恢复,现在又增加了一个 IEW(情报和电子战)和一个空中骑兵中队(ACS、 空骑兵中队),装备有 "影子 "无人机和 "阿帕奇 "攻击直升机,或者未来的武装侦察设备,尽管本应为其提供照明的 FARA 计划最近已被取消。

同样,它还将得到师属炮兵(DIVARTI)的支持,后者将利用收集到的敌方情报进行有效的火力规划(锁定目标),并从越来越远的距离摧毁敌方目标。

该 CDTF 已经在不同的演习中进行了测试,结论是 ISR 和 EW 手段,特别是无人机,是基本的支持手段,但它们无法控制地形,无法通过信息作战(评估敌方战斗力),也无法在恶劣的天气条件下作战,这是在以前的 BSB 或战场监视旅的使用过程中吸取的重要教训。因此,ADCS 的主要侦察和安全资产将是其部队和战车,它们侧重于陆地领域,尽管它们将行动范围扩大到了第三维度。

这样,新的装甲师将能够执行纵深攻击性和决定性任务,避免大国部队打算采用的令人担忧的战略,即不是别的,就是阻止他们前进,以间接火力击败他们,例如在当前的乌克兰冲突中发生的情况,尽管规模较小(由两个竞争者)。

参考来源:Revista Ejércitos

成为VIP会员查看完整内容
4

成为VIP会员查看完整内容
7

随着集成电路(IC)制造过程外包给外国代工厂的趋势日益明显,硬件安全威胁也大大增加。尤其令人担忧的是,不可靠和可疑的代工厂会利用受损和伪造的芯片渗透集成电路供应链。近年来,现场可编程门阵列(FPGA)等可编程器件的使用迅速增加。在通信网络、智能电网、国防设备和物联网等关键任务计算系统中越来越多地部署这些设备,导致黑客不断设计新技术来破坏这些设备的安全性。令人严重关切的是植入称为木马的虚假电路,以窃取或降低芯片的功能。这些被篡改的芯片随后可充当 "间谍芯片",供对手和黑客收集机密数据。为了应对这种攻击,芯片设计者可以使用物理不可克隆函数(PUF)在这些设备中嵌入额外的安全层。尽管物理不可克隆函数(PUFs)被认为是不可克隆和不可破解的,但研究人员发现它们很容易受到机器学习(ML)攻击。从挑战-响应对(CRP)的子集中,使用不同的机器学习算法可以有效地预测剩余的 CRP。

本研究介绍了基于 FPGA 的不同 PUF 对各种基于群体智能(SI)的 ANN 算法(SI)攻击的全面脆弱性分析,即蜻蜓算法(DA)、引力搜索算法(GSA)、布谷鸟搜索算法(CS)、粒子群优化(PSO)和灰狼优化器(GWO)算法。这些算法用于建立人工神经网络模型,以分析不同 PUF 在建模攻击方面的脆弱性。这些训练算法会调整人工神经网络的权重和偏置,通过找到其最优集来获得最高的响应预测精度。据我们所知,基于群智能的算法还没有被用于研究 PUF 对基于 ANN 的攻击的脆弱性。研究结果表明,与其他著名的 ML 算法相比,群智能算法能产生更好的响应预测准确度结果(71.1% - 99.3%)。在各种 SI 和 ML 算法中,GWO 算法在预测 CRP 方面表现最佳。

本研究进一步关注使用不同的机器学习分类器攻击,即逻辑回归(LR): 逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、最近邻 (KNN)、内核支持向量 (Kernel SVM)、奈夫贝叶斯分类器 (NB)。基于人工神经网络(ANN)的不同模型通过对挑战-响应对建模来研究 PUF 的脆弱性。人工神经网络模型采用了四种不同的优化技术,即 均方根传播(RMSprop)、梯度下降自适应德尔塔(Adadelta)学习率法、自适应矩估计(Adam)和内斯特洛夫加速自适应矩估计(Nadam)。使用各种建模算法训练从不同 PUF 获取的挑战响应数据。结果表明,与其他 ML 算法相比,基于 ANN 的算法能产生更好的响应预测准确度结果(68.0% - 94.1%)。

此外,还设计了两种不同的新型 XOR-ROPUF,它们能够抵御各种机器学习建模攻击,并提高 PUF 的安全性。所提出的设计在 Xilinx Artix-7 FPGA 上实现。这些 PUF 针对 "n "比特挑战(n x n)生成 "n "比特响应;新响应是一个 "n "比特向量,因此预测精度是根据预测不同挑战的比特串数量(n x n)来计算的。新的 PUF 结构将 CRP 的预测准确率大幅降低到 24.1%。

在本研究工作的剩余部分,我们提出了一种使用轻量级 XOR-ROPUF 实现物联网系统安全的认证方案。建议的管理方案在验证机构、验证服务器和物联网设备之间进行验证,以确保数据的一致性和完整性。所提出的基于 XOR-ROPUF 的方案实现了一种低成本的设备验证解决方案,可用于识别可信硬件,利用轻量级系统确保设备间通信的安全,并降低验证漏洞的风险。

成为VIP会员查看完整内容
11
登陆后查看更多精品内容
VIP会员
本周荟萃主题
区块链
区块链(Blockchain)是由节点参与的分布式数据库系统,它的特点是不可更改,不可伪造,也可以将其理解为账簿系统(ledger)。它是比特币的一个重要概念,完整比特币区块链的副本,记录了其代币(token)的每一笔交易。通过这些信息,我们可以找到每一个地址,在历史上任何一点所拥有的价值。
深度学习
机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。
机器学习
“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。”

——中文维基百科
强化学习
强化学习(RL)是机器学习的一个领域,与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外,强化学习是三种基本的机器学习范式之一。 强化学习与监督学习的不同之处在于,不需要呈现带标签的输入/输出对,也不需要显式纠正次优动作。相反,重点是在探索(未知领域)和利用(当前知识)之间找到平衡。 该环境通常以马尔可夫决策过程(MDP)的形式陈述,因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于,后者不假设MDP的确切数学模型,并且针对无法采用精确方法的大型MDP。
推荐系统
推荐系统,是指根据用户的习惯、偏好或兴趣,从不断到来的大规模信息中识别满足用户兴趣的信息的过程。推荐推荐任务中的信息往往称为物品(Item)。根据具体应用背景的不同,这些物品可以是新闻、电影、音乐、广告、商品等各种对象。推荐系统利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为,向用户推荐用户感兴趣的信息和商品。随着电子商务规模的不断扩大,商品个数和种类快速增长,顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题,个性化推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。
卷积神经网络
在深度学习中,卷积神经网络(CNN或ConvNet)是一类深度神经网络,最常用于分析视觉图像。基于它们的共享权重架构和平移不变性特征,它们也被称为位移不变或空间不变的人工神经网络(SIANN)。它们在图像和视频识别,推荐系统,图像分类,医学图像分析,自然语言处理,和财务时间序列中都有应用。
计算机网络
计算机网络( Computer Networks )指将地理位置不同的多台计算机及其外部设备,通过通信线路连接起来,在网络操作系统及网络通信协议的管理和协调下,实现资源共享和信息传递的计算机系统。
命名实体识别
命名实体识别(NER)(也称为实体标识,实体组块和实体提取)是信息抽取的子任务,旨在将非结构化文本中提到的命名实体定位和分类为预定义类别,例如人员姓名、地名、机构名、专有名词等。
机器翻译
机器翻译,又称为自动翻译,是利用计算机将一种自然语言(源语言)转换为另一种自然语言(目标语言)的过程。它是计算语言学的一个分支,是人工智能的终极目标之一,具有重要的科学研究价值。
计算机视觉
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
微信扫码咨询专知VIP会员