Die intelligente Interpretation von Luft- und Raumfahrtdaten ist ein Prozess, bei dem Künstliche Intelligenz eingesetzt wird, um die aus luft- und raumfahrtspezifischen Plattformen gewonnenen multimodalen Daten intelligent zu verarbeiten und zu interpretieren, um Informationen zu gewinnen. Aktuelle datengetriebene intelligente Interpretationsmodelle verwenden hauptsächlich umfangreiche Trainingsdaten und fortschrittliche Netzwerkarchitekturen zur Verbesserung der Interpretationsleistung, weisen jedoch erhebliche Abhängigkeiten von annotierten Daten, instabile Generalisierungsfähigkeit und mangelnde Erklärbarkeit der Modelle auf. Ursachegetriebene intelligente Interpretation kann durch die Kombination von kausalem Schließen und Deep Learning diese Probleme effektiv mildern, um effizientere, zuverlässigere und robustere Interpretationen zu ermöglichen, und könnte als neues Paradigma der intelligenten Luft- und Raumfahrtdateninterpretation dienen. Dieser Artikel gibt einen Überblick über Forschungsarbeiten zur Integration von kausaler Theorie in Luft- und Raumfahrtdateninterpretationsmodelle, erläutert zunächst Forschungstrends in der luft- und raumfahrtspezifischen Dateninterpretation aus den Aspekten Assoziation, Korrelation und kausale Kognition, baut dann die kausale Treppe der kausalen intelligenten Kognition luft- und raumfahrtspezifischer Daten auf, untersucht auf Basis zeitlicher und räumlicher statistischer Merkmale luft- und raumfahrtspezifischer Daten kausale Analyse-Frameworks und kausale Repräsentationsmethoden, konzentriert sich auf den Aufbau von drei kausalen intelligenten Interpretationsmodellen basierend auf kausalen Graphmodellen, kontrafaktischem Schließen und modelleigenen Interventionen und weist abschließend auf Anwendungen und Herausforderungen der kausalen intelligenten Interpretation im luft- und raumfahrtspezifischen Beobachtungsumfeld hin.

kausales Schließen;intelligente Interpretation;Deep Learning;ursachengesteuert;Luft- und Raumfahrtdaten;kontrafaktisches Schließen;kausale Intervention