发表机构
RPTU University Kaiserslautern-Landau; Northwestern Polytechnical University（凯泽斯劳滕-兰道莱茵兰-普法尔茨工业大学; 西北工业大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究提出智能体启发式学习工作室，通过示例记忆、规则形成与错误修复的认知方式，生成可执行、可检查的HAR策略，无需训练，在十一个数据集上表现强劲并支持边缘部署。
AI 中文摘要
人类活动识别（HAR）通常被构建为神经网络的基于梯度的训练。智能体启发式学习（AHL）工作室探索了一种受人类认知学习启发的互补视角：人们通过记住示例、形成规则和修复错误来学习活动，而非通过反向传播。该工具实现了用于HAR的AHL：一个学习时智能体对传感器协议进行推理，提出可执行的启发式策略，记录修复轨迹，并导出无大语言模型（LLM-free）的策略以用于边缘部署。我们聚焦于HAR基准测试系列，并提供从数据集观察到面向边缘导出的端到端工作流。在迄今为止评估的十一个HAR数据集上，AHL策略达到了强大的可执行策略性能，同时保持可检查、可编辑和可重放（参见此URL）。
英文摘要
Human activity recognition (HAR) is usually framed as gradient-based training of neural networks. Agentic Heuristic Learning (AHL) Studio explores a complementary view inspired by human cognitive learning: people learn activities by remembering examples, forming rules, and repairing mistakes, not by backpropagating. This proposed tool implements AHL for HAR: a learning-time agent reasons over sensor protocols, proposes executable heuristic policies, records repair traces, and exports an LLM-free policy for edge deployment. We focus on the HAR benchmark family and provide an end-to-end workflow from dataset observation to edge-oriented export. On eleven HAR datasets evaluated so far, AHL policies reach strong executable-policy performance while remaining inspectable, editable, and replayable \footnote{https://github.com/zhaxidele/ahl-ts-studio}.
