《预测战场信息价值的在线学习方法》2023最新19页论文

现代战场环境为指挥官和分析人员提供了大量信息。在任何特定时刻，这些信息中只有部分是有用的，往往需要人工干预才能分辨出哪些是有意义的，哪些是无意义的。在分秒必争的环境中，加快向决策者提供有用信息的方法至关重要。为了从共同作战图中保持态势感知，需要一种技术来应对认知和系统信息过载。这种技术应使信息系统能够学习和适应动态的战场环境，并相应地提供最有用和最相关的信息。

机器学习被广泛用于预测数据结构复杂和高维的各种应用中的模式和结果。监督学习是一种传统的机器学习方法，在这种方法中，算法在进行预测之前要在大量数据集上进行训练。另一方面，在线学习是一种机器学习技术，算法通过增量学习或在获得新数据和反馈时进行学习。Hoi 等人讨论了有关在线学习方法的全面调查，其中包括技术细节以及在线学习相对于传统机器学习方法的优势。

这项工作旨在开发一种概念验证，通过在线学习方法为用户预测传入传感器数据的实用价值。在这一框架中，数据点的效用值是用户接受该数据可能性的衡量标准，用户可以根据自己对数据效用的内部评估选择接受或拒绝该数据。

本文介绍了这种概念验证的开发过程。本文还通过模拟实验，研究了模型性能随超参数配置的变化，以及导致用户在每次试验演示中接受该信息的条件。