यह लेख स्वायत्त साइबर-भौतिक प्रणालियों के लिए एक ऑनलाइन असाधारणता पहचान ढांचा प्रस्तुत करता है जो विकसित होते प्रणाली व्यवहारों को संभालने के लिए पुनर्बल सीखने (RL) को लूप में मानव सहित पुनः प्रशिक्षण के साथ एकीकृत करता है।
यह ढांचा सूक्ष्म-सेवा निर्भरताओं के आधार पर उम्मीदवारों के समूह से इष्टतम डिटेक्टर चुनने के लिए आत्म-ध्यान के साथ एक कारकित गहरा Q-नेटवर्क का उपयोग करता है। यह तीन सांख्यिकीय विचलन डिटेक्टरों के एन्सेम्बल का उपयोग करता है जो तभी अलार्म देते हैं जब सभी सहमत हों, जिससे सटीकता को प्राथमिकता दी जाती है। एक लंबित संक्रमण बफर और 60/40 प्राथमिकता पुनः खेल रणनीति ऑपरेटरों को आपातकालीत भूल के बिना विशेषज्ञ ज्ञान शामिल करने की अनुमति देती है।
स्वचालित वैलेट पार्किंग के लिए जुड़े हुए वाहन टेस्टबेड पर मूल्यांकन किया गया, ध्यान-संवर्धित एजेंट ने 0.69 का F1 स्कोर प्राप्त किया, जो अधिकतम 0.11 स्कोर करने वाले एकल डिटेक्टरों से काफी बेहतर था। सॉफ्टवेयर अपडेट के कारण उत्पन्न अवधारणा विचलन के बाद, ऑपरेटर-संचालित पुनः प्रशिक्षण ने नई वितरण पर 0.65 और पूर्व वाले पर 0.69 बनाए रखते हुए प्रदर्शन को 0.65 तक बहाल किया।