人工智能研究帮助士兵驾驭复杂情况
往期回顾
陆军研究人员开发人工智能架构，增强人与机器之间的信任和协调
美国陆军企业研究实验室的研究人员开发了一种人工智能架构，可以学习和了解复杂事件，增强成功完成战场任务所需的人与机器之间的信任和协调。这项工作由加州大学洛杉矶分校和卡迪夫大学合作，由该实验室的分布式分析和信息科学国际技术联盟资助，解决了联盟伙伴之间使用神经符号人工智能共享复杂事件相关知识的挑战。
美国陆军作战能力发展指挥部（现在称为DEVCOM）陆军研究实验室研究员兰斯·卡普兰博士说，复杂事件是由已知的空间和时间关系所连接的原始活动的组成。他说，对于此类事件，可用于机器学习的培训数据通常很少。
为了进一步理解复杂的事件，想象一下人群中的人正在拍摄一座标志性的政府大楼。拍照的行为涉及原始事件/动作。现在，想象一下，有些人正在协调他们的照片拍摄的目的，侦察任务。发生特定的原始事件序列，如拍照。卡普兰说，很明显，对于一个部队保护系统来说，检测和识别这些复杂的事件并不产生太多的误报是好事，因为随机的原始事件是杂乱无章的。
这种新的神经符号架构通过符号规则（即可说性）来注入人类知识，同时利用深度学习的力量来区分不同的原始活动。
卡普兰说，这是按照神经符号架构完成的，下层由通过逻辑层连接的神经网络组成，形成复杂的事件分类决策。符号层包含已知规则，使学习较低层而无需为原始活动训练标记的数据。开发了两种不同的方法，通过通过逻辑层传播梯度，实现神经层的学习。第一个'神经丛'对符号层使用神经代理。其次，DeepProbCEP，使用 DeepProbLog 传播渐变。
Neuroplex 根据纯深度学习方法对由一系列图像、一系列声音剪辑和从运动捕获、医疗和加速度计传感器收集的护理活动数据集形成的三种类型的复杂事件进行评估。实验和评价表明，Neuroplex能够学会高效、高效地检测复杂事件，而最先进的神经网络模型无法处理。
在培训期间，Neuroplex 不仅将数据注释要求降低了一百倍，而且显著地将复杂事件检测的学习过程缩短了四倍。同样，在城市声音剪辑上的实验演示了 DeepProbCEP 与两阶段神经网络架构的复杂事件精度的两倍改进。卡普兰说：'这项研究证明了神经符号人工智能架构在学习如何用有限的训练样本区分复杂事件方面的潜力。此外，还表明系统可以学习原始活动，而无需注释简单的活动。
他说，在实践中，神经符号的初始层是预先训练的，但收集的数据量和标签可以大大减少，降低成本。此外，神经符号体系结构可以利用符号规则在原始数据分布已更改的情况下使用少量标记的复杂活动来更新神经层。例如，在野外下雨，但神经网络模型是训练的数据收集在阳光明媚的天气。神经符号学习还能够将深度学习的优越模式识别能力与高级符号推理相结合。
卡普兰说：'这意味着人工智能系统自然可以以人类可以理解的形式解释其建议。最终，这将更好地信任人工智能代理和人类决策者。
符号层还启用可讲述性。换句话说，他说，决策者可以定义和更新将原始活动与复杂事件连接的规则，无论是初始化阶段，感知模块未经过培训，还是在微调阶段，感知模块是预先训练的现成模型，需要针对特定环境进行微调。
卡普兰说：'这项研究能够利用深度学习和象征性推理方面的进步。传感器数据的维数，无论是时间序列数据（例如加速度计）还是视频，对于纯符号推理来说都不可行。同样，深度学习无法学习复杂事件固有的大时间和空间尺度的模式。神经符号学习的混合对于复杂的事件处理是必要的。这项研究通过提高我们应对新兴威胁的速度和敏捷性，直接支持了人工智能的陆军优先研究领域。具体来说，研究的重点是人工智能，用于检测和分类复杂的事件使用有限的培训数据，以适应不断变化的环境，并学习新兴事件。
他说，这项工作还支持网络指挥、控制、通信和情报，通过人工智能将象征性的解释和使用象征性规则来指导人工智能推理的人类代理在人工智能和代表不同联盟伙伴的人类代理之间建立信任。卡普兰说：'复杂的事件处理是困难的，而且研究还处于起步阶段。'尽管如此，我们在过去两年中在开发神经符号框架方面还是取得了巨大的进步。研究还需要考虑更相关的数据集，关于人机界面，还有其他问题需要回答。从长远来看，我相信，一个神经符号人工智能将提供给士兵，以提供优越的态势感知比对手可用。
这项研究最近被提交到虚拟国际逻辑编程会议上，并将于11月16-19日即将召开的ACM嵌入式网络传感器系统（SenSys 2020）会议上进行。
DEVCOM陆军研究实验室是美军作战能力发展司令部的一个要素。作为陆军的企业研究实验室，ARL 正在实施科学，以实现转型的超匹敌。通过指挥核心技术能力的合作，DEVCOM 在发现、开发和交付所需的基于技术的能力方面领先，使士兵在赢得国家战争和安全回家方面更加成功。DEVCOM是陆军未来司令部的主要下属指挥部。
点