智能建筑技术的快速发展正在重塑能源管理方式、提升居住者舒适度并降低运营成本[1]、[2]。这些系统依赖于传感器、控制器和物联网设备的互连网络，能够实时监控和优化建筑运营[3]。实现智能建筑优势的一个核心要求是准确理解居住者的行为[4]，包括居住模式、活动识别和设备使用情况[5]。对这些行为的了解使用户能够实施自动化策略——例如动态暖通空调控制、自适应照明和高效设备调度——从而在保持舒适度的同时节省能源。
尽管有这些机会，但实施智能自动化仍面临若干挑战。其中一个主要问题是隐私[6]、[7]。收集关于居住者移动、活动和设备使用的传感器数据存在监控、数据泄露和滥用的风险。即使看似无害的数据，随着时间的推移也可能暴露个人习惯、作息时间等敏感信息，如果落入不良之手，可能构成严重的安全威胁。这凸显了迫切需要既能提取有用行为模式又不暴露原始数据的隐私保护方法。
另一个挑战是边缘设备的处理能力有限。在智能建筑中，最好在数据源附近（如安装的传感器）进行处理，以确保快速响应并避免给用户带来不便。然而，这些设备的处理能力、内存和能源都非常有限，无法运行需要大量数据集和复杂计算的传统深度学习模型[8]。将原始数据发送到中央服务器也不理想，因为这会增加带宽使用、响应延迟和隐私风险。因此，迫切需要能够在这些设备上直接运行的轻量级高效模型，同时保护用户数据。
联邦学习（FL）作为一种有前景的解决方案，解决了由于隐私问题带来的挑战[9]、[10]、[11]。在FL中，多个客户端协作训练一个共享的全球模型，而无需交换原始数据；相反，只有模型更新会在中央服务器上进行通信和汇总。这种设置既保护了数据隐私，又实现了分布式设备之间的集体智能。然而，单独的联邦学习并不能完全满足智能建筑的需求。通过FL训练的模型通常依赖于机器学习或深度学习方法，这些方法作为“黑箱”运行，可解释性有限。在能源管理、建筑自动化和居住者舒适度等领域，可解释性对于建立信任、问责制和合规性至关重要。
可解释人工智能（XAI）旨在通过提高机器学习模型的透明度和可解释性来解决这一差距[12]。XAI中的一个特别有前景的方向是神经符号AI，它将神经网络与符号推理相结合[13]。神经网络在识别数据中的复杂模式方面表现出色，但往往缺乏可解释性。相比之下，符号系统将知识表示为人类可读且可验证的逻辑规则。通过整合这两种范式，神经符号AI兼具强大的预测性能和透明、可解释的推理能力——使其非常适合用于保护隐私的智能建筑系统。
在智能建筑应用中，神经符号系统可以将居住情况、活动和设备使用模式表示为人类可读的“如果-那么”规则。因此，我们构建了一个框架，将联邦学习与神经符号AI结合起来，创建了一个规则生成器，该生成器能够为连接到服务器的所有客户端生成适用的“如果-那么”规则，而无需访问任何客户端的数据。这些规则可解释、体积小，可以直接在资源有限的边缘设备上部署，无需大型、不透明的模型。
需要理解的一点是，居住估计、活动识别和负载分解是相互关联的任务，反映了人类行为和能源消耗的不同方面。我们的框架使用一种通用的符号规则格式统一了这些任务。虽然由于数据可用性的限制，我们独立评估每个任务，但这种共享的表示方式使得未来的跨领域推理成为可能。例如：
“如果房屋有人居住并且正在进行烹饪活动，那么炉灶或烤箱必须处于开启状态。”
“如果房屋无人居住，应没有活动，炉灶、电视、洗衣机和烘干机等设备都应关闭。”
这样的规则支持可操作的能源管理策略，包括负载转移[14]、[15]、[16]、削峰[17]以及提高用户能源意识的反馈。这些功能可以在不侵犯隐私或不需要资源密集型推理引擎的情况下实现。
为了解决隐私、资源限制和可解释性这些综合挑战，我们提出了一个用于智能建筑自动化的联邦神经符号规则学习框架。我们的方法能够在多个客户端之间进行去中心化的、保护隐私的训练，同时生成清晰、可解释的规则，这些规则可以在边缘设备上高效执行。这消除了与云进行高带宽通信或使用复杂本地推理引擎的需求。
通过将联邦学习与神经符号规则生成相结合，我们的框架为智能建筑自动化提供了一个可扩展、节能且保护隐私的解决方案。它适用于那些对居住者隐私、系统透明度和高效边缘运营要求极高的实际部署场景。
本工作的主要贡献如下：
•据我们所知，这是第一个在联邦环境下考虑用于智能建筑中轻量级设备的神经符号规则生成的框架。
•我们提出了一个基于Transformer解码器的自回归模型，该模型生成令牌并从强化模糊分数中学习。
•对基线模型的实验表明，该框架对数据异质性具有鲁棒性，并且能够跨领域适应。
本文的其余部分安排如下：第2节回顾相关文献，第3节介绍所提出的模型架构，第4节讨论实现和实验细节，第5节提供结论性意见和讨论。
