Как физически обоснованный ИИ меняет оценку рисков в реальном времени для систем безопасности

В сфере систем, критичных к безопасности, точная оценка рисков в режиме реального времени имеет решающее значение. Современные конвейеры дистанционного зондирования объединяют данные радаров, распределенное отслеживание и вспомогательные сигналы. Эти системы сталкиваются с серьезными проблемами. К ним относятся ошибки пространственной регистрации, асинхронное слияние данных, помехи и жесткие ограничения по времени для принятия решений. Новая архитектура TA-DE-ELM решает эти задачи. Она сочетает генерацию синтетических данных на основе правил экспертов с двухэтапным алгоритмом дифференциальной эволюции. Этот алгоритм оптимизирован для машин экстремального обучения (ELM). Подход предлагает воспроизводимый и прозрачный метод оценки упорядоченных рисков. Он превосходит традиционные методы, основанные на моделях, и стандартные модели, обучающиеся на данных.

Традиционная оценка рисков часто опирается на экспертные модели. Примеры включают взвешивание энтропии или системы нечетких правил. Хотя такие методы интерпретируемы, они плохо справляются с нелинейными многомерными паттернами. Они также чувствительны к субъективным настройкам весов. Чисто управляемые данными подходы лишены прозрачности. Они часто терпят неудачу при дефиците размеченных данных. Фреймворк TA-DE-ELM заполняет этот пробел. Он использует контролируемый синтетический эталон. Оценки риска формируются на основе явных проверяемых правил экспертов. Это исключает необходимость изучения причинно-следственных связей. Логика приоритизации рисков остается понятной и последовательной даже при ограниченном объеме обучающих данных.

Главное новшество заключается в механизме оптимизации. Стандартная дифференциальная эволюция может преждевременно сходиться при настройке параметров входа ELM. TA-DE решает эту проблему за счет разделения процесса поиска на два этапа. На первом этапе используется классическая мутация DE/rand/1 для исследования широкого пространства параметров. На втором этапе применяется мутация стиля current-to-best и локальный поиск по элитным особям. Механизм перезапуска при застое инициализирует часть популяции заново. Это сохраняет разнообразие и предотвращает преждевременную сходимость. Структурированный подход позволяет модели эффективно изучать сложные нелинейные зависимости между разнородными наблюдениями и шестью уровнями упорядоченного риска.

Эксперименты показывают, что TA-DE-ELM значительно превосходит базовые варианты ELM. Сюда входят PSO-ELM, DE-ELM и GA-ELM при едином лимите вычислительных ресурсов. Точность составила 0,9404, а макро-F1 равнялся 0,9396. Модель сократила почти 29% разрыва до теоретического предела Oracle. Она превзошла традиционные методы оценки, такие как RF-GRA и Entropy-GRA, как по дискриминационной способности, так и по согласованности порядка рисков. Фреймворк оказался устойчивым к деградации признаков. Его производительность снижалась медленнее при постоянном шуме по сравнению с другими оптимизаторами. Исследования с удалением компонентов подтвердили, что улучшения механизма уточнения и перезапуска критически важны. Они обеспечивают превосходную классификацию без увеличения задержки вывода результатов. Эта работа предоставляет важный инструмент для предварительного отбора моделей и сравнения методов. Особенно в средах, где получение реальных меток затруднено. Это открывает путь к более устойчивым и прозрачным системам поддержки принятия решений.