論文の概要: Towards explainable decision support using hybrid neural models for logistic terminal automation

• arxiv url: http://arxiv.org/abs/2509.07577v1
• Date: Tue, 09 Sep 2025 10:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.266774
• Title: Towards explainable decision support using hybrid neural models for logistic terminal automation
• Title（参考訳）: ハイブリッドニューラルモデルを用いたロジスティック終端自動化のための説明可能な意思決定支援
• Authors: Riccardo DElia, Alberto Termine, Francesco Flammini,
• Abstract要約: 本稿では,ニューラル・システム・ダイナミックス・モデリングのための新しい枠組みを提案する。 提案されたハイブリッドアプローチは、意味論的に意味があり、実行可能な変数を操作するニューラルネットワークモデルの構築を可能にする。 このフレームワークは、EUが出資するプロジェクトAutoMoTIFの現実世界のケーススタディに適用されると考えられている。
• 参考スコア（独自算出の注目度）: 1.5364433104428317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of Deep Learning (DL) in System Dynamics (SD) modeling for transportation logistics offers significant advantages in scalability and predictive accuracy. However, these gains are often offset by the loss of explainability and causal reliability $-$ key requirements in critical decision-making systems. This paper presents a novel framework for interpretable-by-design neural system dynamics modeling that synergizes DL with techniques from Concept-Based Interpretability, Mechanistic Interpretability, and Causal Machine Learning. The proposed hybrid approach enables the construction of neural network models that operate on semantically meaningful and actionable variables, while retaining the causal grounding and transparency typical of traditional SD models. The framework is conceived to be applied to real-world case-studies from the EU-funded project AutoMoTIF, focusing on data-driven decision support, automation, and optimization of multimodal logistic terminals. We aim at showing how neuro-symbolic methods can bridge the gap between black-box predictive models and the need for critical decision support in complex dynamical environments within cyber-physical systems enabled by the industrial Internet-of-Things.
• Abstract（参考訳）: 輸送物流のためのシステムダイナミクス(SD)モデリングにおけるディープラーニング(DL)の統合は、スケーラビリティと予測精度において大きな利点をもたらす。 しかし、これらの利益はしばしば、重要な意思決定システムにおける説明可能性と因果信頼性の喪失によって相殺される。 本稿では, 概念ベース解釈可能性, 機械的解釈可能性, 因果機械学習といった手法を用いて, DLを相乗化する, 解釈・設計型ニューラルネットワークの動的モデリングのための新しいフレームワークを提案する。 提案したハイブリッドアプローチは、従来のSDモデルに典型的な因果的基盤と透明性を維持しつつ、意味論的に意味があり、実行可能な変数を操作するニューラルネットワークモデルの構築を可能にする。 このフレームワークは、データ駆動による意思決定のサポート、自動化、マルチモーダルロジスティック端末の最適化に焦点を当てた、EUが出資するプロジェクトAutoMoTIFの現実世界のケーススタディに適用されるように設計されている。 我々は,ブラックボックス予測モデル間のギャップを埋めるニューロシンボリック手法と,産業用インターネットによって実現されるサイバー物理システムにおける複雑な動的環境における批判的決定支援の必要性を実証することを目的としている。

関連論文リスト

• Interpretable Neural System Dynamics: Combining Deep Learning with System Dynamics Modeling to Support Critical Applications [0.0]
  この提案は、解釈可能なニューラルネットワークダイナミクスフレームワークを開発することにより、ディープラーニング(DL)とシステムダイナミクス(SD)のギャップを埋めることを目的としている。 提案されたパイプラインの有効性は、EUが出資したAutoMoTIFプロジェクトの実際の応用を通じて検証される。
  論文  参考訳（メタデータ） (2025-05-20T14:38:39Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• A Transition System Abstraction Framework for Neural Network Dynamical System Models [2.414910571475855]
  本稿では,ニューラルネットワーク力学系モデルのためのトランジションシステム抽象化フレームワークを提案する。 このフレームワークは、データ駆動型ニューラルネットワークモデルをトランジションシステムに抽象化し、ニューラルネットワークモデルを解釈可能にする。
  論文  参考訳（メタデータ） (2024-02-18T23:49:18Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
  我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。 提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
  論文  参考訳（メタデータ） (2021-10-16T16:35:12Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。