For military commands, combat threat analysis is crucial in predicting future outcomes and informing consequent decisions. Its primary objectives include determining the intention and the attack likelihood of the hostiles. The complex, dynamic, and noisy nature of combat, however, presents significant challenges in its analysis. The prior research has been limited in accounting for such characteristics, assuming independence of each entity, no unobserved tactics, and clean combat data. As such, we present spatio-temporal attention for threat analysis (SAFETY) to encode complex interactions that arise within combat. We test the model performance for unobserved tactics and with various perturbations. To do so, we also present the first open-source benchmark for combat threat analysis with two downstream tasks of predicting entity intention and attack probability. Our experiments show that SAFETY achieves a significant improvement in model performance, with enhancements of up to 33\% in task prediction and 9\% in attack prediction compared to the strongest competitor, even when confronted with noisy or missing data. This result highlights the importance of encoding dynamic interactions among entities for combat threat analysis.
군대 지휘관에게 전투 위협 분석은 미래의 결과를 예측하고 후속 결정을 내리는 데 필수적이다. 주요 목표는 적대 행위자의 의도와 공격 가능성을 결정하는 것이다. 그러나 전투의 복잡하고 동적이며 노이즈가 많은 특성은 분석에 상당한 어려움을 부여한다. 이전 연구들은 각 개체의 독립성, 관찰되지 않은 전술의 부재 및 깨끗한 전투 데이터를 가정한다는 한계를 가진다. 따라서 우리는 전투 내에서 발생하는 복잡한 상호 작용을 인코딩하기 위해 위협 분석을 위한 공간적 및 시간적 패턴을 고려하는 어텐션 네트워크 모델 (SAFETY)를 제시한다. 우리는 관찰되지 않은 전술과 다양한 노이즈에 대한 모델 성능을 테스트한다. 이를 위해 우리는 개체 의도 및 공격 가능성 예측과 함께 전투 위협 분석을 위한 최초의 오픈 소스 벤치마크를 제시한다. 우리의 실험은 SAFETY가 노이즈가 있거나 누락된 데이터에 직면하더라도 가장 강력한 경쟁자에 비해 작업 예측에서 최대 33 \%, 공격 예측에서 9 \%의 향상을 가져오는 모델 성능의 상당한 개선을 달성함을 보여준다. 이 결과는 전투 위협 분석을 위해 개체 간의 동적 상호 작용을 인코딩하는 중요성을 강조한다.
