En ny beräkningsmodell gör det möjligt för forskare att dra nytta av normalt inkompatibla datamängder, till exempel satellitbilder och inlägg på sociala medier, att svara på frågor om vad som händer på riktade platser. Forskarna utvecklade modellen för att fungera som ett verktyg för att identifiera kränkningar av nukleära icke -spridningsavtal.

"Vårt mål var att utveckla ett fungerande ramverk som använder information från en mängd olika sensorer och datakällor för att identifiera dessa potentiella kränkningar av icke -spridning av kärnvapen, "säger Hamid Krim, medförfattare till ett papper om verket, professor i el- och datateknik vid North Carolina State University och chef för VISSTA Laboratory. "Vissa av dessa uppgifter kan vara konventionella, såsom Geigermätare eller multispektral data från satellitbilder. Men många av dessa datakällor kan vara otraditionella, till exempel inlägg på sociala medier. Och dessa källor tillhandahåller en mängd olika data som normalt inte är kompatibla, texten som finns på Twitter -inlägg och bilderna som lagts ut på Flickr.

"Genom att göra dessa olika ingångar kompatibla med varandra, vi kan acceptera ett bredare utbud av datainmatningar och använda dessa data på ett meningsfullt sätt att, i sista hand, kan hjälpa myndigheterna att nå mer tillförlitliga slutsatser, "Säger Krim.

Forskarna säger att modellen kan användas för att arbeta med all data som kan identifieras komma från det riktade området. Till exempel, satellitbilder är tydligt identifierbara, men de kan också dra nytta av inlägg på sociala medier som aktivt eller passivt taggas som kommer från det relevanta området.

Frågan blir då:hur arbetar du med inkompatibla data? Att förklara, vi kommer att använda ett proxyproblem som forskarna använde i sin uppsats:att identifiera en översvämning. De valde en översvämning eftersom data om översvämningar inte är klassificerade, data om kärnkraftsaktivitet är.

Det första steget i processen är att använda matematiska ekvationer för att översätta varje typ av data till ett användbart format. Till exempel, bilder kan köras genom modeller för att avgöra om det är bilder av översvämningar, textposter kan köras genom modeller för att avgöra om de innehåller referenser till översvämningar. När dessa dataströmmar har översatts till ett neutralt format - vilket betyder att de indikerar översvämning eller ingen översvämning - kan de jämföras med varandra för att svara på grundläggande frågor som:stöder data varandra?

Men det är inte riktigt så enkelt. Till exempel, människor kan twittra om en översvämning som äger rum hundratals mil bort, som kan snedvrida alla beräkningar med den övergripande modellen. För att ta itu med detta, forskarna införlivade matematiska element som redogör för komplexiteten i de data de drar på.

"Att ta itu med komplexitet är särskilt viktigt i samband med icke -spridningshantering, "Krim säger." Relevanta datainmatningar kan inkludera foton av vissa typer av teknik, referenser gjorda i samtal som fångats på ljud, och så vidare. En modell som den vi utvecklat måste vara tillräckligt flexibel för att ta hänsyn till variationen och komplexiteten hos både olika datatyper och de olika ledtrådar vi letar efter. "

Forskarna testade sin modell med data från en översvämning 2013 som ägde rum i Colorado, och kunde lösa inkompatibiliteten hos multimodal data för att exakt uppskatta platsen för översvämningen.

Nästa steg för projektet inkluderar utvärdering av kärntekniska anläggningar i väst för att identifiera gemensamma egenskaper som också kan vara tillämpliga på anläggningar i mer isolerade samhällen, som Nordkorea.

"Vi vill hitta sätt att överföra information från känd miljö till en dold, "Krim säger." Hur kan vi avgöra vilken information och vilka modeller som kan överföras från en plats till en annan, gett inkompatibla eller inkonsekventa uppgifter? Vad är normalt, och vad är det inte? Det är inget lätt problem. "