XiaoMi-AI文件搜索系统
World File Search System决策空间
计划国际承诺...
2023 年 10 月 9 日 Stephen Omollo – 国际计划首席执行官 英国沃金 主题：致力于提高青春期女孩的声音和要求，让她们成为实现性别平等道路上的重要伙伴 响应联合国秘书长在 2023 年可持续发展目标峰会上关于可持续发展目标转型承诺的呼吁，致力于青少年福祉；并支持 2023 年全球青少年论坛 青少年的福祉以及维护和促进他们的权利对于实现可持续发展至关重要。国际计划支持与青少年合作，通过采取以青少年为中心的方式，确保他们有意义地参与并进入决策空间。我们支持加强对青少年福祉投资的呼吁，因为这是对我们社会、经济和地球未来的明智投资，并呼吁为以青少年为重点的计划和举措提供可持续和充足的资金。我们承诺在我们的计划和战略中优先考虑青少年福祉，支持分类数据收集，以便更好地了解确保青少年福祉的挑战和机遇，并将青少年特定指标纳入我们的监测和报告框架，并让青少年和年轻人有意义地参与影响他们权利和福祉的政策和计划的设计、实施和监测。我们对青少年福祉的承诺是：
北美防空司令部威慑、探测和击败任务的未来
需要北美防空司令部 (NORAD) 处理的数据呈指数级增长，所有迹象都表明这种趋势还将继续。由于对手能力的进步，这些增加的处理需求加上大大减少的决策空间，已经开始超出人类的能力。从感知威胁到采取决策的时间太短，不能继续像今天这样依赖人类进行处理。NORAD 面临的威胁现在完全有能力跨越曾经北美最强大的防御体系，即其四面环海的有利地理位置 1 。面对这些新出现的威胁，NORAD 必须调整和优化其感知能力。通过这样做，NORAD 将利用机会获得决策优势。全领域感知是 NORAD 必须抓住的机会，否则对手就会暴露 NORAD 老化能力的弱点。全域感知不仅为北美防空司令部提供了提高感知能力的机会，而且通过利用这些新的创新能力，它还为实现威慑、检测、击败的任务提供了更快、更高保真度的决策机会。在当今时间紧迫的高风险决策环境中，这一点尤为重要。引言 2.北美防空司令部作为一个双边司令部，保护了加拿大和美国
多域战的稳定性
稳定性是多域战斗（MDB）的基本组成部分。将稳定活动与MDB整合在一起，为整个联合力量提供了增加的决策空间，并扩大了运营自由。竞争期间的稳定行动建立合作伙伴能力，能力和韧性；识别和反对对手的不稳定工作；并支持威慑。武装冲突期间的稳定行动增加了应用国家权力所有工具的选择，并保护美国政府（USG）综合运动的合法性。最后，武装作战后的稳定行动阻止了对手逆转友好的收益，重新建立平民控制并实现可持续的未来。稳定性是编织多域战斗，综合竞选联合概念（JCIC）和我们的国家战略文件的共同点。为了使MDB取得成功，作者建议陆军必须能够直接和通过与联合部队和组织间合作伙伴整合到五个稳定部门，同时还制定有效的策略，以抢占或反对对抗性的破坏性努力。MDB进行调整，以应对与同伴竞争对手的武装冲突水平以下的威胁，以防止竞争通过积极的稳定和对抗武装的努力来防止竞争升级为武装冲突。陆军必须重新考虑其在多领域的稳定方法：保护USG综合竞选计划的合法性至关重要。军队还必须理解，计划和说明军事行动对
标题：网络战新模型 主要作者
标题：网络战新模型 主要作者：Stephen Spey 博士 摘要：我们开发了一种网络战新模型，使我们能够开始探索网络战的复杂决策空间。我们的模型为两个或多个网络战斗人员创建了任何网络战斗中存在的元素的抽象表示，例如防御工具、进攻性武器和侵略者团队。每个战斗人员都可以攻击和被其他战斗人员攻击。该模型介于非常广泛的高级网络杀伤链模型和非常详细的模型之间，后者模拟了针对特定攻击的单个防御网络。每个模型时间步，每个表示元素都会根据其战斗人员使用的策略采取行动。元素相互作用的结果（例如，当防御工具搜索使用给定攻击性武器渗透其防御网络地形的侵略者团队时）通过将计算出的结果概率与随机数抽取进行比较来解决。攻击者和防御者之间基本交互的统计数据会根据现实世界的网络入侵数据进行验证。我们的模型允许在网络领域快速试验部队级战略和战术。我们将展示侵略者团队优先考虑的目标类型以及防御者对检测到的入侵采取行动的时间的结果。其他发现包括如何分配边际额外防御支出以及相对技能水平和技术必要性
抽象简介深钢筋学习（DRL ...
抽象的深钢筋学习（DRL）已成为人工智能领域（AI）领域的变革范式，在跨不同领域的决策中提供了前所未有的能力。本文探讨了DRL对增强AI系统的决策能力的深远影响，阐明其潜在的原则，应用和含义。DRL代表了深度学习和强化学习的融合，使机器能够学习复杂的行为并通过与环境互动来学习复杂的行为并做出决策。神经网络的利用允许DRL算法处理高维输入空间，这使其非常适合涉及复杂决策过程的任务。DRL的关键优势之一在于它可以解决稀疏和延迟延迟的问题的问题，在传统的增强学习中的共同挑战。通过反复试验的过程，DRL算法可以通过在庞大的决策空间中导航，适应动态环境，并随着时间的推移最大化累积奖励，从而学习最佳决策策略。DRL的应用跨越了各个领域，包括机器人技术，财务，融资，医疗保健，游戏和自动系统。在机器人技术中，DRL促进了能够自主浏览复杂环境，执行复杂任务并适应不可预见情况的智能代理的发展。在金融中，DRL被利用用于投资组合优化，算法交易和风险管理，这表明了其彻底改变传统财务战略的潜力。
基于GNN的多代理增强学习范式
摘要 - 机器学习（ML）任务是当今边缘计算网络中的主要工作量之一。现有的Edge-云调度程序将所需资源数量分配给每个任务，而最佳利用有限的边缘资源来完成ML任务。本文提出了Tapfinger，这是一种用于边缘群集的分布式调度器，可通过协作任务放置和精细元素的多资源分配来最大程度地减少ML任务的总完成时间。要学习任务不确定的资源敏感性和启用分布式计划，我们采用了多代理增强学习（MARL），并提出了几种技术以使其有效，包括MARL Backbone作为MARL Backbone，是Actor网络中的量身定制的任务选择阶段，以及Bayes theerem'theerem'orem and Ingess-Ingem and Ingem schem schem schem schem schem。我们首先实施一个单任务调度版本，该版本每次最多都有一个任务。然后我们将其推广到多任务调度案例，其中同时安排了一系列任务。我们的设计可以减轻扩展的决策空间，并产生快速收敛到最佳的调度解决方案。使用合成和测试床的ML任务痕迹进行了广泛的实验表明，与最先进的调度程序相比，Tapfinger的平均任务完成时间最高可减少54.9％，并提高资源效率。
ConTraNet：用于 EEG 的单一端到端混合网络……
目标：脑电图 (EEG) 和肌电图 (EMG) 是两种非侵入性生物信号，广泛应用于人机界面 (HMI) 技术（EEG-HMI 和 EMG-HMI 范式），用于肢体残疾人的康复。成功将 EEG 和 EMG 信号解码为相应的控制命令是康复过程中的关键步骤。最近，提出了几种基于卷积神经网络 (CNN) 的架构，将原始时间序列（EEG 和 EMG 信号）直接映射到决策空间（用户的预期动作）。由于 CNN 是端到端学习算法，因此有意义的特征提取和分类过程是同时进行的。然而，这些网络是为学习给定生物信号的预期特征而定制的。从今以后，这些算法的含义通常仅限于单个 HMI 范式。在这项工作中，我们解决了这样一个问题：我们能否构建一个能够从不同的 HMI 范式中学习不同特征并仍能成功对其进行分类的单一架构。方法：在这项工作中，我们引入了一个称为 ConTraNet 的单一混合模型，该模型基于 CNN 和 Transformer 架构，对 EEG-HMI 和 EMG-HMI 范式同样有用。ConTraNet 使用 CNN 模块在模型中引入归纳偏差并学习局部依赖关系，而 Transformer 模块使用自注意机制来学习信号中的长距离或全局依赖关系，这对于 EEG 和 EMG 信号的分类至关重要。主要结果：我们在三个公开可用的数据集（BCI 竞赛 IV 数据集 2b、Physionet MI-EEG 数据集、Mendeley sEMG 数据集）上评估并将 ConTraNet 与最新方法进行了比较，这三个数据集属于 EEG-HMI 和 EMG-HMI 范式。ConTraNet 在所有不同类别任务（2 类、3 类、4 类和 10 类解码任务）中均优于其同行。意义：大多数 HMI 研究引入了针对其预期生物信号特征量身定制的算法，并在仅属于单一范式的数据集上验证其结果。相反，我们引入了 ConTraNet，并在两个不同的 HMI 范式上验证了结果，这两个范式包含 2、3、4 和 10 个类的数据。此外，ConTraNet 的泛化质量对于这两个范式都同样好，这表明 ConTraNet 能够从不同的 HMI 范式中学习不同的特征，并且与当前最先进的算法相比具有良好的泛化能力。
对危机响应团队协作工具的回顾...
军队和政府危机响应团队协作工具回顾 George Edw.Seymour Michael B. Cowen 摘要 军队如今在行政和战术上都使用协作工具。本报告旨在探索协作工具使用的近期和当前状态，以便为未来的危机响应提供建议。换句话说，当团队成员无法驻留在同一个物理工作空间中时，哪些基于 Web 的工具可以“最好”地支持小团队互动和工作？我们使用了两种方法，即临时研究和系统文档搜索，来确定值得审查和考虑用于军队和政府危机响应的商业和专有协作工具。在本报告中，我们报告了 64 种协作技术和工具，其中 37 种由美国军方和政府使用。协作技术和工具分为三类：(a) 用于设计、开发或增强协作工具的现代协作技术，(b) 军队或政府正在使用的协作工具，以及 (c) 建议军队或政府考虑用于危机应对的协作工具。已确定的工具或技术按功能进行描述，并分析其改善危机行动小组协作的潜力。目标 本报告旨在探讨政府和军事组织以前和现在对商用现货 (COTS) 和政府现货 (GOTS) 协作工具的使用情况。1 本报告寻求当前的理解和更广泛的视角，而不是对特定工具的深入分析，因为这些工具及其使用会随着时间的推移而发生惊人的变化或发展。与几十年前不同，美国政府（包括所有军种）今天在行政和战术上都使用互联网运作。毫不奇怪，公共部门的计算机和互联网用户比例高于私营部门（劳工统计局，2005 年），而且互联网的使用越来越多地涉及商业协作工具。因此，探索协作工具使用的近期和当前状态以提供未来建议将大有裨益。一个合理的目标可能是提出这样一个问题：当团队成员无法驻留在同一个物理工作空间中时，支持小团队互动和工作的“最佳”基于 Web 的工具是什么？Kahneman，2003 年）。对各种协作工具的快速回顾无法解决这个问题。这项研究也没有解决使用协作工具的好处，尽管值得注意的是，Ford、Hogan 和 Perry (2002) 认为大多数复杂的工作都涉及决策，而且我们的决策空间往往受到有限理性的限制（参见同样，协作工具的可靠性和验证超出了这项工作的范围，尽管 Powers (2004) 和 Noble 和 Letsky (2003) 已经解决了这些基本主题。最后，本报告没有涉及远程沉浸式体验等未来协作技术，也没有涉及 GroupSystems 等协作流程工具。
海军部 2025 财年 (FY) 预算估算
海军陆战队运营与维护 (OMMC) 拨款用于支付海军陆战队的日常运营费用，包括培训、运输、燃料、补给、车辆和设备维护、相关武器系统和支持机构。海军陆战队的首要任务是继续将该部队从传统部队转变为现代化部队，同时与 2022 年国防战略 (NDS)、2025-2029 年国防规划指导 (DPG) 和联合作战概念 (JWC) 保持一致。海军陆战队 2025 财年总统预算提交旨在加速和加强部队设计，并通过提供综合海军和海军陆战队计划来解决必要的现代化目标，该计划建立了持久的优势，通过与海上领域的盟友和合作伙伴的持续存在来遏制侵略，在冲突中获胜，并通过实施待命部队概念来争取联合部队的决策空间。海军陆战队将持续进行训练以应对先进和持续威胁；保持国家前沿力量的地位；开展危机应对、战区安全合作、人道主义援助和维和活动；保护近期战备状态，同时为部队提供支援服务水平和驻地训练。2025 财年，OMMC 为整个海军陆战队大约 172,300 名现役海军陆战队员和 20,258 名文职人员提供支持。2025 财年预算为 105.628 亿美元，其中包括 2.271 亿美元的价格上涨和 5,380 万美元的项目增加。拨款为设施维持提供资金，占 OSD 模型的 39%，反映了设施投资优化战略的延续，这是海军陆战队为实现整体设施、维持、恢复和现代化 (FSRM) 模型而采取的举措，其中 USMC 免除了最低 85% 的设施维持模型 (FSM) 资金百分比；并支持地面仓库维护，占总兵力需求的 76%。基本预算中的海外行动成本和其他战区成本：8170 万美元（6060 万美元支持“坚定决心行动”和“持久自由行动 - 非洲之角”，2110 万美元支持“欧洲威慑倡议”）。非持久成本是那些战斗或直接战斗支援成本，一旦在主要应急地点结束战斗行动，这些成本将不会继续支出。持久成本是战斗行动结束后剩余的费用，之前已由海外应急行动提供资金。太平洋威慑计划 (PDI) 成本在基本预算中占比：7.735 亿美元。PDI 是这些努力的一个重要子集，体现了国防部加强区域威慑的努力和投资。PDI 强调了 2025 财年总统预算请求中的要素，这些要素响应了国会的指示，强调了对印度太平洋地区的投资。PDI 下的投资支持国防部将中国作为其首要步调挑战的优先事项，并发展能力、作战概念和计划，以加强对印度太平洋地区中华人民共和国 (PRC) 的威慑。它包括有针对性的投资，旨在增强美国的军事态势、基础设施、存在和战备能力，以及美国盟友和合作伙伴的能力和能力，主要是国际日期变更线 (IDL) 以西。
人工智能时代的社会分类危机
本文探讨了我们计算社会的方式的最新转变（Cardon 等人，2018 年）。使用计算技术来辅助决策并不是什么新鲜事。长期以来，计算方法一直被用于对个人进行排名和选择，例如，借助计算机脚本来验证表单是否符合确定性决策规则。随着机器学习 (ML) 工具的出现，这些方法为决策者在处理结合了越来越多的实体和事件列表的文件时的不确定性时产生的困惑提供了技术解决方案。面对文件提供的用于围绕不同原则进行定位的多种参考点，决策者可能会感到无助。他们的决策质量更容易受到批评（Hahn & Tetlock，2005），理由多种多样：他们优先考虑某些标准；他们的社会同质性掩盖了结构性偏见；他们没有注意到可能导致其他结果的变量的多样性；等等。面对分散而庞大的文件，引入基于机器学习模型的自动化工具来辅助决策，建议用统计概率取代不稳定的决策依据。当候选比较空间变得难以理解时，这些工具会对变量进行排序。如今，统计分数的引入方式截然不同，具体取决于领域。它有时采用的只是文件中的一条附加信息，例如在美国法官批准保释的决定中预测重复犯罪的可能性；或者它可以具有更大的自动化程度，例如将警察引导到犯罪更频繁的地方（Brayne & Christin，2020 年）。正如关于人工智能使用的立法草案所表明的那样，结果的自动化问题是监管机构寻求“让人类参与其中”的主要干预点之一（Jobin 等人，2019 年）。本文建议将计算方法的这种转变与社会对统计类别日益增长的批评联系起来，我们称之为社会类别危机。我们认为，决策向机器学习的转变得益于基于类别的方法（使用标准的规则等）无法涵盖世界事件的多样性和多样性1。最后，我们认为这种转变延续了数据空间更普遍的时空扩展。机器学习技术的出现带来了统计文化的变化，值得关注（Breiman，2001）。这些方法的特殊性之一是它们事先并不知道决策规则；它们从数据中学习。要建立这种类型的模型，必须使用由输入数据（文件）和先前决策的输出结果组成的数据集（训练数据库）来训练算法。然后通过反复试验调整模型，使基于训练的预测误差尽可能小（Goodfellow 等，2016）。如果模型是基于输入和输出数据之间的对应关系来学习的，那么决策规则就不能再以先验稳定和自动的基于标准的依据为基础。控制选择的模型是对与给定目标相关的文件变量的最佳比较方法的统计近似。传统的呈现此类模型设计的操作的方式是定义三个独立的空间（Cornuéjols 等，2018；Mitchell，1997）。输入数据构成观察空间，计算结果构成决策空间。在这两者之间，计算的设计者必须想象一个假设空间（有时也称为