美國IARPA的人工智慧/機器學習研究項目一覽

明日情報 發佈 2020-01-15T11:02:49+00:00

功能性威脅的基因組和計算評估,開發了基於AI/ ML的方法,以通過遺傳分類法,序列功能和威脅可能性對遺傳序列數據進行學習和分類;Mercury Challenge,要求挑戰參與者使用AI / ML方法來預測中東和北非地區的各種政治事件,例如非暴力內亂和軍事活動;皮質網絡的機器智能

作為應對情報界中一些最困難挑戰的使命的一部分,IARPA發起了利用或改善人工智慧/機器學習(AI / ML)的研究計劃和挑戰,其中包括:

  • 阿拉丁視頻(Aladdin Video)是視頻中機器學習技術的先驅,它結合了視頻和音頻提取,知識表示和搜索技術方面的最新技術,以創建快速,準確,健壯和可擴展的視頻搜索功能;
  • 更好地從文本提取到增強檢索(BETTER),開發基於AI / ML的方法來提取粒度越來越細的語義信息,重點關注事件的形式是誰在哪裡,誰在哪裡,在哪裡,跨多個語言和問題領域。
  • 網絡攻擊自動非常規傳感器環境(CAUSE)應用基於AI / ML的模型來開發新穎,自動化的方法,用於基於事件的網絡攻擊檢測和預測,比現有方法要早得多。預測具有可操作細節的網絡攻擊事件,通過啟用針對特定威脅的網絡事件響應和防禦措施,可以提高最新技術水平;
  • 創建可操作逼真的3D環境(CORE3D),使用機器學習和深度學習技術來開發用於使用遙感數據構建世界上全自動高保真3D模型的方法;
  • 深度聯運視頻分析(DIVA)利用機器學習技術在跨多個攝像機的流視頻中開發強大的自動活動檢測;
  • Finding Engineering-Linked Indicators(FELIX)使用AI來檢測跨多個生物的工程簽名。目的是將天然生物與經過工程改造的生物區分開來。
  • 《世界挑戰賽功能圖》(Functional Map of the World Challenge)開發了可對衛星圖像中63個建築物和區域類別進行快速,準確分類的算法。所有頂級參與者都使用了各種形式的深度學習。
  • 功能性威脅的基因組和計算評估(Fun GCAT),開發了基於AI / ML的方法,以通過遺傳分類法,序列功能和威脅可能性對遺傳(例如DNA)序列數據進行學習和分類;
  • Mercury Challenge,要求挑戰參與者使用AI / ML方法來預測中東和北非地區的各種政治事件,例如非暴力內亂和軍事活動;
  • 皮質網絡(MICrONS)的機器智能旨在通過對大腦算法進行逆向工程來徹底改變機器學習。該程序被明確設計為數據科學與神經科學之間的對話。
  • 用於以任何語言進行英語檢索的機器翻譯(MATERIAL),開發了機器學習方法,以從與英語查詢相關的語音和文本中識別外語信息,並以有意義的方式提供了與英語檢索信息相關的證據。將在資源匱乏且沒有外語專業知識的情況下開發算法;
  • 反射率建模僅針對在寬廣的環境中進行化學識別的高濃度光譜透射(MORGOTH'S CROWN)挑戰,提出了預測諸如底物,負載和沉積特徵等影響對痕量化學物質紅外光譜影響的新方法在表面上。頂級參與者使用了機器學習技術;
  • 多模式客觀感知以評估具有上下文的個體(MOSAIC),從各種個體,環境和社會感知數據流中提取具有上下文意義的數據,並使用機器學習和基於人工智慧的模型來估計和預測心理,認知和生理構造,以及整體工作表現的估算;
  • 多視圖立體3D映射(MSV)挑戰要求小組開發能夠生成物理世界的高解析度3D點雲的算法。通過為衛星圖像提供基線重建算法,它也為計算機視覺界的新領域創造了研究機會;
  • OpenCLIR挑戰賽,在低訓練數據條件下開發了機器學習方法,以檢索與英語查詢相關的斯瓦希里語和文本文檔;
  • 各種新興納米電子學的快速分析(RAVEN)使用AI / ML加快了最先進集成電路的圖像處理的速度和準確性;
  • 加強人類適應性推理和問題解決(SHARP),使用行為(例如,測試成績,認知任務,自我報告措施)和基於腦的措施(例如MRI,EEG)的機器學習模型來預測智力得分,反應能力干預措施以及智力的基線神經生理和認知相關性;
  • 虛擬用戶環境(VirtUE)使用自適應學習算法來構建分析工具和技術,以識別和響應正常計算機用戶活動中的偏差,從而防止零日攻擊。
關鍵字: