ANSR-DT：面向数字孪生体的自适应神经符号学习与推理框架
人工智能
2025-12-02 v3 人机交互
机器学习
符号计算
摘要
本文提出一种自适应神经符号学习与推理框架，用于数字孪生技术，称为 "ANSR-DT"。数字孪生体在工业环境中常面临可解释性、实时适应性及人类输入集成等挑战。我们的方案通过将 CNN-LSTM 动态事件检测与强化学习及符号推理相结合，实现具有可解释决策过程的自适应智能。该集成增强了环境理解，促进持续学习，实现工业环境中人机协作应用的更有效实时决策。我们在合成工业数据上评估了 ANSR-DT，观察到相较于传统方法显著提升，动态模式识别准确率最高可达 99.5%。该框架在扩展化强学习训练后展现出卓越的适应性，将解释方差从 0.447 提升至 0.547。未来工作旨在扩展至更大数据集，以测试当前 14 条规则之外的规则管理。我们的开源实现促进了可重复性研究，为工业应用中自适应、可解释的数字孪生体奠定了基础。
引用
@article{arxiv.2501.08561,
title = {ANSR-DT: An Adaptive Neuro-Symbolic Learning and Reasoning Framework for Digital Twins},
author = {Safayat Bin Hakim and Muhammad Adil and Alvaro Velasquez and Houbing Herbert Song},
journal= {arXiv preprint arXiv:2501.08561},
year = {2025}
}
备注
Code available at https://github.com/sbhakim/ansr-dt