知识图谱与可解释AI互补赋能城市采矿

背景

城市采矿（Urban Mining）旨在从建筑废弃物中回收有价值的材料，其核心监管流程是拆除前评估（pre-demolition assessment）。这一评估本质上是信息处理过程，AI 系统必须服务于有资质的审计人员，而审计人员仍需对最终决策承担责任。在此场景下，真正重要的价值单位并非单纯的预测准确性，而是决策的“可辩护性”（defensibility），具体包括：可读性（legibility）、合理性（plausibility）、可追溯来源（sourcing）以及可争议性（contestability）。

可解释 AI（Explainable AI, XAI）技术和领域知识图谱（Knowledge Graphs, KG）各自能部分满足上述要求。现有文献已经从分类学角度对两者的集成方式进行了整理，但描述虽丰富，结构层面却不够明确：缺乏一个系统性说明，解释为什么特定的集成能产生任何单一资源都无法独立提供的“工件”（artefacts）。

核心内容

本文基于信息系统（IS）领域的资源互补传统，提出一种“互补性理论”（complementarity-theoretic interpretation），用以解释知识图谱与可解释 AI 如何生成审计所需的可辩护性。论文归纳出四种 KG-XAI 集成模式（integration modes），每种模式均被定义为对 XAI 工件与知识图谱基底的“类型化操作”（typed operation）。四种模式分别为：

1. Lifting（提升）：将 XAI 解释结果中的底层特征或逻辑提升至知识图谱中更高层的、更可理解的语义概念，使解释结果具备更好的可读性与合理性。
2. Constraining（约束）：利用知识图谱中的领域约束（如物理规则、法规要求）对 XAI 输出的解释空间进行限制，滤除不符合常识或规范的候选解释，增强解释的可追溯来源与可信度。
3. Typing（类型化）：通过知识图谱中的实体类型和关系类型对 XAI 解释的粒度与结构进行规范化，使不同案例的解释可以直接在语义层面进行比较，提升可争议性。
4. Revising（修订）：当 XAI 的解释与知识图谱中的既有知识发生冲突时，双向反馈机制允许 XAI 模型或知识图谱本身被修正，从而持续优化可辩护性。

每种模式会解锁可辩护性中的特定属性（legibility, plausibility, sourcing, contestability 之一或组合），并且共同贡献于拆除前评估这一监管场景所需的“监管工件”（regulatory artefact）。论文以城市采矿过程中的一个防火门（fire-door）评估案例作为示例，展示了上述模式如何基于 W3C 的链接建筑数据栈（Linked Building Data stack）及其估值扩展来具体实现。

关键要点

• 拆除前评估的 AI 支持必须服务于有责任的审计人员，价值核心是决策的可辩护性，而非预测准确性。
• 知识图谱提供结构化领域知识，可解释 AI 生成局部或全局解释，两者互补，但现有文献缺乏结构性解释说明互补产生新工件的原因。
• 论文提出四种集成模式：Lifting（提升）、Constraining（约束）、Typing（类型化）、Revising（修订），每种模式是可辩护性属性与知识图谱基底之间的类型化操作。
• 每种模式对应解锁可辩护性中的一个或多个维度（可读性、合理性、可追溯来源、可争议性）。
• 示例为城市采矿中的防火门评估，采用 W3C 链接建筑数据栈及相关估值扩展，展示了四种模式的具体应用。
• 本文的贡献在于从资源互补理论出发，为 XAI 与 KG 的集成提供了结构化的理论框架，弥补了既有分类学缺少“为何如此”的空白。

意义与影响

该研究为城市采矿中的 AI 审计系统提供了设计指导：通过显式地将知识图谱与可解释技术以互补方式集成，能够系统性地增强智能审计输出的可辩护性，满足监管合规要求。从更广泛的 AI 治理角度看，该框架可迁移至其他需要“可辩护决策”的领域（如医疗诊断、金融风控、司法辅助），为构建负责任的 AI 系统提供方法论支撑。此外，基于 W3C 标准实现的方式也表明，该框架具有良好的互操作性与工业落地潜力。