摘要
未来的第六代（6G）万物互联（IoE）网络需要零接触管理系统，该系统能够自主分配通信和计算资源，满足服务水平约束，并对其决策提供透明的解释。现有的神经符号可解释人工智能（XAI）数字孪生通过将神经预测与符号推理相结合来提高可解释性；然而，大多数此类系统依赖于静态设计的因果图、固定规则集和不可变的知识库。这种封闭世界假设不适用于非平稳的6G环境，在该环境中，无线条件、移动性模式、干扰关系和服务需求持续演变。为解决这一局限性，本文提出了LL-NS-XAI——一种用于零接触6G IoE管理的终身学习神经符号XAI数字孪生。该框架集成了三个紧密耦合的平面：物理边缘层的在线隐式学习器，用于时变的服务关联和上行/下行资源分配；虚拟核心层的动态显式学习器，用于基于有向无环图（DAG）的贝叶斯推理、最大似然解释推断和可解释的信任评分；以及元认知层，用于监控推理残差、检测参数漂移、结构漂移和本体涌现，并自主修订因果图、概率规则集、条件概率表和知识库。与静态神经符号孪生不同，LL-NS-XAI将已实现的决策后结果（包括已实现的信道质量指示（CQI）、测量的端到端时延和吞吐量）作为干预证据，用于在线因果模型自适应。利用带有注入参数漂移、结构漂移和新兴IoE服务类别的非平稳5G衍生数据集进行的实验评估表明，与静态XAI孪生、非平稳多臂老虎机和纯持续学习基线相比，LL-NS-XAI在长期信任度方面表现更优、推理残差更低，并且性能退化保持在有界范围内。该框架还通过自主因果图扩展容纳了此前未见过的IoE服务类别，在无需离线重训练的情况下恢复了接近Oracle的性能。这些结果表明，终身因果自适应可以提升AI驱动的零接触管理在不断演进的6G IoE网络中的鲁棒性、可解释性和自主性。
