本文旨在将联合态势感知概念映射到多域作战（MDO）ISR要求，着重强调需要确保和可解释的AI以允许在多个合作伙伴之间分配资产的强大人机决策制定。同时, 我们提供了AI和IA在MDO ISR中的举例，包括强化资产互操作性的人机团队合作，密集城市地形分析等，并评估了解释AI在人机协作方面的最新技术水平。三个元素的结合展示了联合态势感知方法在MDO ISR背景下的潜在价值，并明确了多个合作伙伴的情况下解释性的重要性。

Oct, 2019

本文介绍了物理层中的典型假设及其与实际系统的差异，并考虑到实现步骤和挑战，系统地讨论了基于学习算法的决策机制设计。此外，通过使用软件定义无线电节点进行实时案例研究，论述了潜在的性能改进和未来措施的物理层的学习驱动框架。

Feb, 2021

提出了一种基于CAPD的IoBT本体论，其利用共享语义架构和后台知识集成，支持在战场上多个自主实体间的数据和知识交流。 在对抗情况下本体论能够处理信息和推理来提高运筹能力，具有抗击敌人行为和展示IoBT系统弹性的特点。

Aug, 2022

通过在战术前线核心操作中引入不确定性量化，将计算机视觉与指挥控制系统相结合，利用人工智能算法来提高情报分析和战场上的态势感知，从而在战场上推动有目的的适应性。

Dec, 2023

人工智能系统的伦理责任是对其可能用于冲突应用的非军事应用进行理论分析和实践方法的介绍，包括通过建立多视角能力测试、集成数字水印和利用监测与报告机制来减轻开发者的道德责任。

Jan, 2024

未来战争需要在更加复杂、快节奏、结构模糊和苛刻的条件下进行指挥和控制决策，而现有的指挥与控制实践无法保持对未来战场上对手的优势。为了解决这些挑战，作者提出了一种未来指挥与控制的愿景，即人工智能系统与人类之间建立牢固的合作伙伴关系，以简化指挥与控制操作流程、保持行动上的统一性并发展适应性的集体知识系统。本文展示了未来指挥与控制能力的设想，讨论了对其进行构建的假设，并描述了提议的发展如何改变未来战争中的指挥与控制。

Feb, 2024

利用机器学习（ML）发展自主武器系统（AWS）对地缘政治稳定性和AI研究中的自由交流构成了严重风险。本文的目标是提醒公众和机器学习研究人员对军事技术中全面或近乎全面自主性带来的近期风险，并提出监管建议以减轻这些风险。

May, 2024

智能反射表面（IRS）和无人机（UAV）的出现为无线通信领域树立了新的标杆。本文全面调查了IRS和UAV在无线网络中的协同集成，突出展示了这种创新组合如何显著提高网络性能，特别是在安全性、能源效率和可靠性方面。UAV的多用途性与IRS的信号操作能力相结合，为克服传统通信设置的局限性，特别是在具有挑战性和不完善的环境中，提供了强大的解决方案。此外，本文还探讨了机器学习在装备有IRS的UAV的战略部署和运营优化中的作用，突出了该领域的最新研究和实际进展，并提供了实际应用和实验设置的见解。最后，本文讨论了这项新兴技术的未来前景和潜在方向，将IRS-UAV集成定位为下一代无线网络中的变革力量。

Jun, 2024

LLMs在国家安全领域的整合可能会对信息处理、决策和运营效率产生深远影响，尽管存在潜在的风险和安全问题，但通过与决策理论和贝叶斯推理相结合，LLMs可显著改进国家安全组织的决策过程，并在训练和战争游戏中提供有价值的见解和个性化学习经验。

Jul, 2024

本研究针对集成大型语言模型（LLM）在移动机器人导航任务中的安全风险进行了探讨，尤其是提示注入攻击带来的挑战。提出了新的安全提示策略，研究结果表明，实施强有力的防御机制后，攻击检测和系统性能整体改善约30.8%，从而显著提升了任务导向的安全性和可靠性。

Aug, 2024