长期目标
在决策或推理网络中进行适当的推理，需要指挥官（融合中心）对每个下属的输入赋予相对权重。最近的工作解决了在复杂网络中估计智能体行为的问题，其中社会网络是一个突出的例子。这些工作在各种指挥和控制领域具有相当大的实际意义。然而，这些工作可能受限于理想化假设：指挥官（融合中心）拥有所有下属历史全部信息，并且可以假设这些历史信息之间具有条件统计独立性。在拟议的项目中，我们打算探索更普遍的情况：依赖性传感器、（可能的）依赖性的未知结构、缺失的数据和下属身份被掩盖/掺杂/完全缺失。对于这样的动态融合推理问题，我们建议在一些方向上扩展成果：探索数据源之间的依赖性（物理接近或 "群体思维"），在推理任务和量化不一定匹配的情况下，采用有用的通信策略，甚至在每个测量源的身份未知的情况下，采用无标签的方式--这是数据关联问题的一种形式。
我们还认识到，对动态情况的推断是关键目标所在。考虑到一个涉及测量和物理 "目标 "的传统框架，这是一个熟悉的跟踪问题。但是，来自目标跟踪和多传感器数据关联的技术能否应用于提取非物理状态（物理状态如雷达观察到的飞机）？一个例子可能是恐怖主义威胁或作战计划--这些都是通过情报报告和遥测等测量手段从多个来源观察到的，甚至可能被认为包含了新闻或金融交易等民用来源。这些都不是标准数据，这里所关注的动态系统也不是通常的运动学系统。尽管如此，我们注意到与传统的目标追踪有很多共同点（因此也有机会应用成熟的和新兴的工具）：可能有多个 "目标"，有杂波，有可以通过统计学建模的行为。对于这种动态系统的融合推理，我们的目标是提取不寻常的动态模式，这些模式正在演变，值得密切关注。我们特别建议通过将杂波建模为类似活动的丰富集合，并将现代多传感器数据关联技术应用于这项任务，来提取特征（身份）信息。
目标
研究的重点是在具有融合观测的动态系统中进行可靠推理。
方法
1.决策人身份不明。在作战情况下，融合中心（指挥官）很可能从下属那里收到无序的传感器报告：他们的身份可能是混合的，甚至完全没有。这种情况在 "大数据 "应用中可能是一个问题，在这种情况下，数据血统可能会丢失或由于存储的原因被丢弃。前一种情况对任务1提出了一个有趣的转折：身份信息有很强的先验性，但必须推断出身份错误的位置；建议使用EM算法。然而，这可能会使所有的身份信息都丢。在这种情况下，提出了类型的方法来完成对局部（无标签）信念水平和正在进行的最佳决策的联合推断。
2.动态系统融合推理的操作点。在以前的支持下，我们已经探索了动态事件的提取：我们已经开发了一个合理的隐马尔科夫模型，学会了提取（身份）特征，有一个多伯努利过滤器启发的提取方法 - 甚至提供了一些理论分析。作为拟议工作的一部分，将以两种方式进行扩展。首先，打算将测量结果作为一个融合的数据流，这些数据来自必须被估计的未知可信度的来源。第二，每个这样的信息源必须被假定为杂乱无章的 "环境 "事件（如一个家庭去度假的财务和旅行足迹），这些事件虽然是良性的，可能也不复杂，但却是动态的，在某种意义上与所寻求的威胁类似。这些必须被建模（从数据中）和抑制（由多目标追踪器）。
3.数据融合中的身份不确定性。当数据要从多个来源融合时，当这些数据指的是多个真相对象时，一个关键的问题是要确定一个传感器的哪些数据与另一个传感器的哪些数据相匹配："数据关联 "问题。实际上，这种融合的手段--甚至关联过程的好方法--都是相当知名的。缺少的是对所做关联的质量的理解。我们试图提供这一点，并且我们打算探索传感器偏差和定位的影响。
4.具有极端通信约束的传感器网络。考虑由位置未知、位置受漂移和扩散影响的传感器网络进行推理--一个泊松场。此外，假设在这样的网络中，传感器虽然知道自己的身份和其他相关的数据，但为了保护带宽，选择不向融合中心传输这些数据。可以做什么？又会失去什么？我们研究这些问题，以及评估身份与观察的作用（在信息论意义上）。也就是说，假设对两个带宽相等的网络进行比较；一个有n个传感器，只传输观察；另一个有n/2个传感器，同时传输数据和身份。哪一个更合适，什么时候更合适？
5.追踪COVID-19的流行病状况。诚然，流行病学并不在拟议研究的直接范围内，但考虑到所代表的技能以及在目前的健康紧急情况下对这些技能的迫切需要，投机取巧似乎是合理的。通过美国和意大利研究人员组成的联合小组，我们已经证明，我们可以从当局提供的每日--可能是不确定的--公开信息中可靠地估计和预测感染的演变，例如，每日感染者和康复者的数量。当应用于意大利伦巴第地区和美国的真实数据时，所提出的方法能够估计感染和恢复参数，并能很准确地跟踪和预测流行病学曲线。我们目前正在将我们的方法扩展到数据分割、变化检测（如感染人数的增加/减少）和区域聚类。
原文
相关内容
微信扫码咨询专知VIP会员