Knowledge Graphs and Explainable AI as Complementary Resources for Urban Mining
本文提出了一个互补性理论框架，旨在将知识图谱与可解释人工智能集成于城市采矿拆迁前评估中，并定义了四种特定的模式（提升、约束、分类和修正），从而在预测准确性之外，增强了审计决策的可辩护性与监管合规性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在试图破解谜题的侦探：这座旧建筑是由什么构成的？我们能否回收并重复利用它的部件？ 这就是“城市采矿”（Urban Mining）的工作。但有一个难点：你不能仅仅靠猜测。你必须是一名合格的审计员，并且你做出的每一个决定都必须能够在法庭上（或者至少在严格的监管机构面前）站得住脚。
于是，AI 登场了。它就像一个超级聪明、反应极快的助手，能盯着一栋建筑并说：“那是一扇防火门！”但问题在于，AI 就像一个“黑匣子”。它会给你一个答案，但并不总是能以符合官方文书规范的方式解释其背后的原因。如果 AI 说：“我有 91% 的把握，”但你却不知道它是根据什么特征得出这个数字的，你就无法签字确认。
这篇论文提出了一种巧妙的方法来解决这个问题。作者建议，不要仅仅依赖 AI 或仅仅依赖人类，而是通过两种特殊的工具让它们联手：可解释人工智能（XAI）和知识图谱（KG）。你可以把 XAI 想象成 AI 的“内心独白”（它为什么这么想），而把知识图谱想象成一个关于建筑实际运作规则的、组织严密的巨大图书馆。
作者提出，通过结合这两者，你会获得四种让你的决策具有“可辩护性”（即你可以证明其正确性）的超能力。他们将这四种模式称为 提升（Lifting）、约束（Constraining）、类型化（Typing）和修订（Revising）。让我们通过一个关于防火门的故事来拆解它们。
1. 提升（Lifting）：将“像素语言”翻译成“人类语言”
想象 AI 观察一张门的照片，看到了三个亮点（高光），这让它认为：“这是防火门！”在 AI 的世界里，这些只是数字和像素。
- 问题： 你不能在正式报告中写“第 45 号像素很亮”。你需要说“门封条完好无损”。
- 解决方案（提升）： 知识图谱充当了翻译官。它将那些亮点转化为语言，并说：“啊，那个亮点实际上是门封条，而那一个是门扇。”
- 结果： AI 的解释从令人困惑的数学运算被“提升”到了清晰、正式的语言。现在，你的报告准确地描述了 AI 看到的内容，并使用了正确的术语。
2. 约束（Constraining）：一个“现实检查”过滤器
现在，假设你问 AI：“如果我们改变这扇门来增加它的价值，会怎样？”AI 可能会建议：“把防火芯换成廉价的塑料芯！”
- 问题： 这听起来能增加利润，但这是违法的！你不能在防火墙里安装塑料芯。
- 解决方案（约束）： 知识图谱就像夜店里一个严格的保安。它拥有一份关于什么是允许行为的规则（公理）清单。它审视了 AI 的疯狂想法并说：“不行。这扇门位于防火墙内，因此它必须拥有防火等级的芯材。那个想法是不可能的。”
- 结果： AI 仅能提出那些在物理定律或建筑规范内切实可行且合法的变更建议。它过滤掉了那些违反物理法则或建筑法规的“幻觉”想法。
3. 类型化（Typing）：一个“信任分”标签
AI 说：“我认为这是一扇防火门。”但它有多确定呢？是一个大胆的猜测，还是一个确凿的事实？
- 问题： 如果你只是在报告中写下“防火门”，没人知道你是应该复核它，还是可以直接跳过。
- 解决方案（类型化）： 系统为每一条信息都贴上了“信任标签”。
- 如果 AI 看得很清楚，标签会显示 “已确认（Confirmed）”。
- 如果 AI 是基于模式进行推测，标签会显示 “假设（Assumed）”（并附带一个分数，如 0.62）。
- 如果 AI 完全不确定，它可能会显示 “已删除（Deleted）”。
- 结果： 你清楚地知道该在多大程度上信任每份报告。如果标签显示“假设”，你就知道需要进行快速的视觉检查；如果显示“已确认”，你就可以继续下一步。
4. 修订（Revising）：带有审计追踪的“撤销按钮”
假设你进行快速检查后意识到：“等等，这不是防火门，它只是防烟门！”
- 问题： 如果你只是擦掉旧笔记并写下新的，没人知道是谁改的，以及为什么要改。以后如果有人问：“你为什么改变了主意？”
- 解决方案（修订）： 系统不会直接删除旧信息，而是创建一个历史日志。它会记录：“审计员 Jane 在下午 2:00 将‘防火门’更改为‘防烟门’，因为她观察到封条不是耐热材料。”
- 结果： 你的决策变成了一份“活的文档”。你可以回溯并了解整个故事是如何演变的。如果你犯了错，错误会被记录，但它也被修正并得到了解释。
大局观
作者并不是说这是一个能瞬间解决所有问题的魔杖。他们是在暗示，单靠 AI 本身是不够的，对于这些严肃的工作而言，AI 并不足够。一个没有规则手册（知识图谱）的 AI 可能会给出一个听起来很酷但在现实世界中毫无意义的解释。而一个只有规则手册而没有 AI 的系统，则只是一个无法对新建筑做出反应的静态列表。
但是，当你通过这四个步骤将它们结合起来时，你就得到了一个系统：AI 负责繁重的计算工作，而人类审计员始终掌握控制权，并且对每一个决策都有清晰、合法且可追溯的理由。
论文使用了一个关于办公楼内一扇木门的具体案例，展示了这一过程是如何运作的。AI 识别出门，系统翻译像素，检查规则，分配信任分数，并允许审计员在保留完整变更记录的同时纠正错误。
作者承认这是一篇立场论文（positional paper）——它是一个强有力的论点和一种全新的思考方式，而不是证明这种方法在每一栋建筑中都已生效的最终证明。他们指出，未来的工作需要通过现实世界的审计来测试这一点，以观察它是否真的能帮助审计员更好地完成工作。但其核心思想是坚实的：如果你希望 AI 能协助处理重要的、受监管的决策，你就需要搭建一座连接 AI 大脑与人类规则手册的桥梁。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。