Fugu-MT 論文翻訳(概要): Strategic Counterfactual Modeling of Deep-Target Airstrike Systems via Intervention-Aware Spatio-Causal Graph Networks

論文の概要: Strategic Counterfactual Modeling of Deep-Target Airstrike Systems via Intervention-Aware Spatio-Causal Graph Networks

arxiv url: http://arxiv.org/abs/2507.00083v1
Date: Mon, 30 Jun 2025 04:26:10 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-03 14:22:58.33946
Title: Strategic Counterfactual Modeling of Deep-Target Airstrike Systems via Intervention-Aware Spatio-Causal Graph Networks
Title（参考訳）: インターベンション対応時空間グラフネットワークを用いた深部ターゲットエアストロークシステムのストラテジック対実モデル
Authors: Wei Meng,
Abstract要約: 本研究では,現在の戦略レベルシミュレーションにおいて,戦術的ストライキ行動と戦略的遅延の間の構造的因果モデリングが欠如していることに対処する。 Invention-Aware Spatio-Temporal Graph Neural Network (IA-STGNN) を提案する。
参考スコア（独自算出の注目度）: 3.5516803380598074
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study addresses the lack of structured causal modeling between tactical strike behavior and strategic delay in current strategic-level simulations, particularly the structural bottlenecks in capturing intermediate variables within the "resilience - nodal suppression - negotiation window" chain. We propose the Intervention-Aware Spatio-Temporal Graph Neural Network (IA-STGNN), a novel framework that closes the causal loop from tactical input to strategic delay output. The model integrates graph attention mechanisms, counterfactual simulation units, and spatial intervention node reconstruction to enable dynamic simulations of strike configurations and synchronization strategies. Training data are generated from a multi-physics simulation platform (GEANT4 + COMSOL) under NIST SP 800-160 standards, ensuring structural traceability and policy-level validation. Experimental results demonstrate that IA-STGNN significantly outperforms baseline models (ST-GNN, GCN-LSTM, XGBoost), achieving a 12.8 percent reduction in MAE and 18.4 percent increase in Top-5 percent accuracy, while improving causal path consistency and intervention stability. IA-STGNN enables interpretable prediction of strategic delay and supports applications such as nuclear deterrence simulation, diplomatic window assessment, and multi-strategy optimization, providing a structured and transparent AI decision-support mechanism for high-level policy modeling.
Abstract（参考訳）: 本研究では、現在の戦略レベルのシミュレーションにおいて、戦術的ストライキ行動と戦略的遅延の間の構造的因果モデリングが欠如していること、特に「レジリエンス-ノルダル抑圧-交渉窓」チェーンにおける中間変数の捕捉における構造的ボトルネックについて論じる。 Invention-Aware Spatio-Temporal Graph Neural Network (IA-STGNN) を提案する。このモデルは、ストライク構成と同期戦略の動的シミュレーションを可能にするために、グラフアテンション機構、対実シミュレーションユニット、空間干渉ノード再構成を統合する。トレーニングデータは、NIST SP 800-160標準の下で、マルチ物理シミュレーションプラットフォーム(GEANT4 + COMSOL)から生成され、構造的トレーサビリティとポリシーレベルの検証が保証される。実験の結果、IA-STGNNはベースラインモデル(ST-GNN、GCN-LSTM、XGBoost)を著しく上回り、MAEが12.8%、Top-5%の精度が18.4%向上し、因果経路の整合性と介入安定性が向上した。 IA-STGNNは、戦略的遅延の解釈可能な予測を可能にし、核抑止シミュレーション、外交窓の評価、マルチストラテジー最適化などのアプリケーションをサポートし、高レベルのポリシーモデリングのための構造化された透明なAI決定支援メカニズムを提供する。

論文の概要: Strategic Counterfactual Modeling of Deep-Target Airstrike Systems via Intervention-Aware Spatio-Causal Graph Networks

関連論文リスト