World2Rules：一种用于学习航空领域世界治理安全规则的神经符号框架

许多现实世界中的安全关键系统由明确定义不安全世界配置并约束智能体交互的显式规则所支配。在实践中，这些规则复杂且依赖于上下文，使得手动规范不完整且容易出错。从现实世界的多模态数据中学习此类规则进一步受到噪声、不一致性和稀疏故障案例的挑战。神经模型可以从文本和视觉数据中提取结构，但缺乏形式化保证，而符号方法提供了可验证性，但在直接应用于不完美观测时却很脆弱。我们提出了World2Rules，一个用于从现实世界多模态航空数据中学习世界治理安全规则的神经符号框架。World2Rules从名义运行数据以及航空事故和事件报告中学习，将神经模型视为候选符号事实的提议机制，并将归纳逻辑编程作为验证层。该框架采用分层反思推理，在示例、子集和规则之间强制执行一致性，以过滤不可靠的证据，聚合仅相互一致的组件，并修剪不支持的假设。这种设计限制了来自噪声神经提取的错误传播，并产生了紧凑、可解释的一阶逻辑规则，这些规则描述了不安全的世界配置。我们在现实世界的航空安全数据上评估了World2Rules，并表明它学习到的规则比纯神经基线F1分数高23.6%，比单次神经符号基线F1分数高43.2%，同时仍然适用于安全关键推理和形式化分析。