一方面是可用的成熟人工智能/机器学习数据战略与新型框架之间存在鸿沟，另一方面是研发、测试与评估需求滞后，预见需要一项技术突破，以开发机器集成的基础与研究需求，这是在战场空间实现决策优势所必需的。本研究的方法是使用因果模型对情境进行建模，以寻找生成函数的输入值（“反函数”），这些生成函数在任何域上都不是单调递增或递减的。对因果非单调模型的研究表明，该模型生成的合成数据接近于真实数据基准，而现有的单调模型在数量和符号上均显示出显著偏差。结论是，由基于前馈神经网络架构的新型估计器驱动的所开发因果模型，生成了一个合成反事实分布，该分布代表了行动、结果和情境的各种组合，这些组合在有限样本中很少出现。建议投资策略应致力于消除架构中可重用机制领域机器学习现有差距的道路，并通过在新场景中重用和重新利用知识与技能，设计出能够为现实世界任务提供有保证且鲁棒解决方案的智能体。