A Filtering-based General Approach to Learning Rational Constraints of Epistemic Graphs

要約

認識論的グラフは、確率論的議論に対する認識論的アプローチを一般化したものです。
Hunter は、クラウドソーシング データから認識論的制約を学習するための 2 方向一般化フレームワークを提案しました。
ただし、学習された認識論的制約はデータからのユーザーの信念を反映するだけであり、認識論的グラフにエンコードされた合理性は考慮されません。
一方、現在のフレームワークは、エージェントが議論を信じるかどうかを反映する認識論的制約のみを生成できますが、エージェントがそれを信じる程度は生成できません。
この効果を達成するための主な課題は、制約の種類を拡張すると計算の複雑さが急激に増加し、許容できない時間パフォーマンスが発生する可能性があることです。
これらの問題に対処するために、多方向一般化ステップを使用して、データセットから認識グラフと一致する一連の合理的なルールを生成するフィルタリング ベースのアプローチを提案します。
このアプローチでは、ドメイン モデルとユーザー モデルの両方の情報を反映する、より多様な合理的なルールを学習できます。
さらに、計算効率を向上させるために、無意味なルールを除外する新しい関数を導入します。
実証結果は、ルールの種類を拡張する際に、私たちのアプローチが既存のフレームワークよりも大幅に優れていることを示しています。

要約(オリジナル)

Epistemic graphs are a generalization of the epistemic approach to probabilistic argumentation. Hunter proposed a 2-way generalization framework to learn epistemic constraints from crowd-sourcing data. However, the learnt epistemic constraints only reflect users’ beliefs from data, without considering the rationality encoded in epistemic graphs. Meanwhile, the current framework can only generate epistemic constraints that reflect whether an agent believes an argument, but not the degree to which it believes in it. The major challenge to achieving this effect is that the computational complexity will increase sharply when expanding the variety of constraints, which may lead to unacceptable time performance. To address these problems, we propose a filtering-based approach using a multiple-way generalization step to generate a set of rational rules which are consistent with their epistemic graphs from a dataset. This approach is able to learn a wider variety of rational rules that reflect information in both the domain model and the user model. Moreover, to improve computational efficiency, we introduce a new function to exclude meaningless rules. The empirical results show that our approach significantly outperforms the existing framework when expanding the variety of rules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google