个态势空间隐含了诸如‘形成错位’、‘创造突破通道’等战术目标的可能性分布。然后，在消息传递阶段，节点（球员）之间交互的信息，不仅包含其自身的状态，还包含了基于当前态势编码的‘目标相关性权重’。换句话说，球员之间传递的消息，会根据当前局面距离达成某个战术目标的远近，进行调制和加强。这使得模型能够关注那些对达成战术目标更关键的交互关系，而不仅仅是空间或运动学上的邻近性。”
评委一边听，一边微微点头，手指无意识地在下巴上摩挲。“很新颖的角度。那这个‘目标态势编码器’是如何训练的？它的监督信号从哪里来？你们似乎没有直接标注‘目标’的数据。”
“是的，这是一个弱监督/自监督的设置。”苏晚从容应答，“我们并未直接标注‘目标’。我们假设，在大量成功的战术执行片段中，球员的移动模式隐式地指向了那些有利的目标态势。因此，我们设计了一个辅助的预训练任务，让模型从成功的战术片段中，学习重构一个理想的、目标达成时的‘态势表示’。然后在主任务中，这个预训练好的态势编码器，为图网络提供目标相关的归纳偏置。同时，我们在损失函数中，加入了基于最终识别准确性的态势表示一致性约束，迫使学习到的态势表示与战术成功性相关。”
韩澈在一旁听着，心中暗自佩服。苏晚的解释，将他们在无数个深夜争论、摸索出的核心思想，用极其精炼、专业的语言阐述了出来。既回答了评委的问题，又巧妙地展现了他们工作的创新性和技术深度。
评委眼中露出感兴趣的光芒：“有意思。将高层语义（目标）作为潜在变量引入，引导低层特征的聚合。这和最近一些基于因果推断或能量模型的工作有异曲同工之妙。你们的实验结果表明，这种方法在复杂场景下，比如防守方采取换防时，确实比基线模型有提升？”
“是的，”这次是王睿接过话头，他调出演示系统，快速点开几个预设的复杂案例，“在传统的基于轨迹聚类的baseline上，我们的模型在‘换防’、‘假挡拆’这类场景下的F1值提升了约15%。可视化也显示，我们的模型在防守方开始换防移动的早期，就会将注意力更多地分配给参与换防的防守球员，这表明它在一定程度上‘理解’了防守方的应对意图对战术目标的影响。”
评委凑近屏幕，仔细看着动态的注意力权重变化，又问了一些关于数据集构建、模型效率、以及泛化到其他团队运动可能性的问题。苏晚、王睿和韩澈三人交替回答，
本章未完，请点击下一页继续阅读！