Общество связи инженеров по электротехнике и радиоэлектронике признало военного исследователя и соавтора их работы над методами искусственного интеллекта, которые улучшат ситуационную осведомленность солдат в многодоменной операционной среде.
Доктор Кевин Чан, научный сотрудник Команды развития боевых возможностей армии США, известной как DEVCOM, Лаборатория армейских исследований, и сотрудники исследовательского центра IBM TJ Watson, Имперского колледжа Лондона и Университета штата Пенсильвания получили премию Леонарда Абрахама IEEE за их статья « Адаптивное федеративное обучение в пограничных вычислительных системах с ограниченными ресурсами» . Исследователи опубликовали свои выводы в журнале IEEE Journal on Selected Area in Communications .
По словам исследователей, совместные усилия стали возможны благодаря международному технологическому альянсу лаборатории распределенной аналитики и информационных наук. Программа направлена на развитие фундаментальных исследований, необходимых для обеспечения безопасной, динамической и семантически ориентированной распределенной аналитики для получения ситуационного понимания операций коалиции.
Это исследование еще больше расширяет возможности и применимость федеративного обучения — термина, первоначально введенного Google.
«Критический вариант использования федеративного обучения — операции коалиции, где совместное использование данных может быть запрещено политическими ограничениями, но совместное использование модели может быть разрешено», — сказал д-р Анантрам Свами, научный сотрудник DEVCOM ARL и старший научный сотрудник. «Кроме того, нехватка данных в сценариях, относящихся к армии, делает такое совместное использование моделей важным для повышения точности прогнозов».
В статье и исследованиях впервые рассматриваются несколько важных проблем федеративного обучения, или FL, включая оптимизацию обучения при ограниченных ресурсах, конвергенцию FL с неидентично распределенным распределением данных и валидацию методики путем реализации с использованием реальных периферийных устройств. . По мнению общества, статья исследователей продемонстрировала высокое качество, оригинальность, полезность, своевременность и ясность изложения.
«Тот факт, что в этой статье можно предложить решение, которое в совокупности решает все эти проблемы, делает ее очень ценным научным вкладом», — сказал доктор Шицян Ван, исследователь из Исследовательского центра IBM Thomas J. Watson.
Федеративное обучение позволяет мобильным устройствам совместно изучать общую модель прогнозирования, сохраняя при этом все данные обучения на устройстве, отделяя возможность машинного обучения от необходимости хранить данные в облаке, сказал Чан.
«Вклад нашего исследования заключался в том, чтобы понять, как мы можем проводить федеративное обучение на тактическом уровне», — сказал Чан. «В этой работе изучается, как лучше всего обучаться на больших наборах маломощных устройств, подключенных через сети с ограниченными ресурсами».
Армия движется к использованию искусственного интеллекта и машинного обучения во всех аспектах операций, особенно в тактических сетевых настройках, где большие объемы данных генерируются на периферии и должны быть поняты, и, несмотря на ограничения вычислительных и сетевых ресурсов, должны использоваться. для поддержки широкого спектра операций, — сказал Чан.
По его словам, будущие результаты этого исследования позволят солдату быстрее устанавливать и поддерживать ситуационную осведомленность, используя информацию со многих устройств.
«Аналитические услуги, такие как классификация изображений и распознавание образов, очень важны для поддержки военных операций», — сказал Ван.
По его словам, эти службы требуют использования большого объема данных, часто принадлежащих разным организациям и доступных в разрозненных местах, для обучения аналитических моделей различным задачам. Такое обучение модели сталкивается со следующими основными ограничениями в тактической среде:
- Владельцы данных могут предпочесть сохранить конфиденциальность данных, не делясь своими данными с другими.
- Ограниченная доступность коммуникационных, вычислительных и других ресурсов часто препятствует передаче всех данных на центральный сервер для процесса обучения.
Команда решила техническую задачу распределенного обучения с учетом конфиденциальности данных и ограниченных ресурсов. В частности, они разработали ресурсоэффективное федеративное обучение для обучения аналитических моделей, в которых частные данные остаются локальными на граничных узлах сети, а между разными узлами совместно используются только параметры модели.
По словам исследователей, новый метод включает в себя локальные обновления модели на граничных узлах и агрегирование глобальных параметров центральным сервером. Этот метод направлен на координацию этих различных операций FL для достижения наиболее эффективного обучения модели с учетом ограничений.
«Что касается применения в оборонных приложениях, эта новая технология обеспечивает распределенное обучение или адаптацию аналитических моделей в средах с ограниченными ресурсами, чтобы позволить партнерам по коалиции (или военным подразделениям) помогать друг другу в изучении аналогичных задач без необходимости обмена конфиденциальными данными из-за соображений конфиденциальности или отсутствия коммуникационных ресурсов «, — сказал профессор Кин Леунг, факультет электротехники, электроники и вычислительной техники Имперского колледжа Лондона. «Новый подход обеспечивает передовые возможности над нашими противниками».
Федеративное обучение является обязательным условием, если силы коалиции хотят объединить выводы из своих независимых данных для создания более совершенных моделей ИИ, — сказал д-р Динеш Верма, сотрудник IBM, возглавляющий группу, работающую в области распределенного ИИ.
«Такие типы совместного использования могут быть очень сложными на тактическом уровне из-за ограниченной пропускной способности», — сказал Верма. «Инновации, предложенные в этом исследовании, решают многие из этих трудностей, делая такое совместное использование возможным в коалиционных тактических сетях. Технология имеет применимость за пределами тактических сетей — в любой среде, где несколько организаций обмениваются знаниями в среде с ограниченной пропускной способностью, включая автомобилестроение, производство, лесное хозяйство и др. горнодобывающая промышленность «.
Команда примет награду на виртуальной презентации на Международной конференции IEEE по коммуникациям 15 июня.
«Для меня большая честь получить признание IEEE Communications Society за наши успешные исследования и его вклад в сообщество исследователей коммуникаций и сетей», — сказал Чан. «Для меня большая честь быть присужденным этой наградой нескольким учреждениям, с которыми ARL активно сотрудничает. Сотрудниками также являются исследователи, с которыми я лично работал в течение многих лет, так что это здорово, что меня признают как команду».
В этой статье заложена важная основа FL для края с ограниченными ресурсами, — сказал Ван.
«Предлагаемый метод имеет решающее значение для будущих систем Интернета вещей, периферийных вычислений и сотовой связи (5G, 6G и выше), где многие приложения будут управляться ИИ, устройства будут оснащены вычислительными возможностями и возможностями хранения, а конфиденциальность данных будет становится все более важным «, — сказал Ван. «Фактически, статья повлияла на многих других исследователей, о чем свидетельствуют более 400 ссылок на Google Scholar с момента ее публикации в 2019 году.
