《因果自适应作战决策辅助系统（CADA）》2023年最新33页报告

所有已实施任务的说明

后勤和规划人员需要在短时间内（如 24 小时的战斗节奏）分析越来越多的高维数据层，负担过重。因果自适应决策辅助系统（CADA）的目标是通过快速总结这些数据层并显示与推荐可解释的行动方案（COA）相关的因果概念，为他们分析过程中的觅食和感知步骤提供便利。用于推荐可解释行动方案的因果模型（相对于基于相关性的模型）的优点在于，它可以通过减轻样本偏差问题来提高对新环境的适应能力，同时还能在分析技术中发挥关键作用。我们通过开发和交付与以下四项主要任务相关的软件模块来实现这些目标：

• CADASIM 数据生成器： 模拟真实的海军场景，从嘈杂的传感器数据到 "人 "的决策，作为后续任务的基准数据集。

• 符号时态推理： 利用（神经）符号规则和公理形式的领域专业知识，通过推断未知属性来减少海军场景中的不确定性。

• 因果特征学习和显示： 从高维数据集中发现因果概念，在这种情况下不可能进行干预，但可能会有某种形式的领域专家输入。

• 因果模型漂移检测与适应： 监控数据驱动的因果模型和概念的不确定性，区分数据漂移和概念漂移，从而最大限度地减少模型再训练的需要。

端到端系统已申请专利，因果特征学习方法和结果的某些方面已作为论文发表（[Jammalamadaka23]）。虽然由于缺乏展示所有方面所需的基准数据集，我们无法对端到端系统进行测试，但如图 1 所示，上述任务在概念上可以作为集成软件模块组合在一起。

图 1. CADA 系统架构。符号时态推理器利用领域知识来减少嘈杂的传入传感器数据（紫色）中的不确定性。监督因果特征学习利用各种类型的监督输入，从高维数据中发现因果决策因素（蓝色）。认知适应监控因果变量表征和关系的不确定性，以检测异常情况并适应潜在的非稳态关系（绿色）。根据新的输入数据，预测并显示最佳行动方案 (COA)，以及可视化解释的因果决策特征（橙色）。