基于干扰感知时空因果图网络的深目标空袭系统的战略性反事实建模
机器学习
2025-07-02 v1 人工智能
摘要
本研究针对当前战略级仿真中战术打击行为与战略延迟之间缺乏结构化因果建模的问题，尤其是在捕捉“韧性-节点抑制-谈判窗口”链条中中间变量的结构瓶颈，提出解决方案。我们提出干扰感知时空图神经网络（IA-STGNN），一种新型框架，闭合从战术输入到战略延迟输出的因果环路。该模型集成图注意力机制、反事实仿真单元和空间干扰节点重构，实现对打击配置和同步策略的动态仿真。训练数据来自多物理仿真平台（GEANT4 + COMSOL），遵循NIST SP 800-160标准，确保结构可追溯性和政策级有效性。实验结果表明，IA-STGNN显著优于基线模型（ST-GNN、GCN-LSTM、XGBoost），在平均绝对误差（MAE）降低12.8%，Top-5准确率提升18.4%，同时改善了因果路径一致性和干扰稳定性。IA-STGNN实现对战略延迟的可解释预测，支持核威慑仿真、外交窗口评估和多策略优化，为高层政策建模提供了结构化且透明的AI决策支持机制。
引用
@article{arxiv.2507.00083,
title = {Strategic Counterfactual Modeling of Deep-Target Airstrike Systems via Intervention-Aware Spatio-Causal Graph Networks},
author = {Wei Meng},
journal= {arXiv preprint arXiv:2507.00083},
year = {2025}
}
备注
This paper proposes the first closed-loop causal modeling framework (IA-STGNN) that links tactical strike variables to strategic delay outcomes via graph neural networks with counterfactual reasoning