Neuro-Argumentative Learning with Case-Based Reasoning

要約

ケースベースの推論（漸進的なAA-CBR）の段階的な抽象的な議論を紹介します。これは、神経ベースの特徴抽出因子と同時に学習される議論の議論構造によって結果が決定される、データ駆動型の神経共役分類モデルです。
議論の各議論は、トレーニングデータから観察されたケースであり、ラベル付けを支持しています。
ケースは、勾配ベースの方法を通じて学習した各議論と関係の強さで、反対または同意したラベルを持つ人々を攻撃または支援します。
この議論の議論構造は、人間に合った推論を提供し、従来のニューラルネットワーク（NNS）と比較してモデルの解釈可能性を改善します。
既存の純粋に象徴的なバリアント、ケースベースの推論（AA-CBR）の抽象的な議論とは異なり、漸進的なAA-CBRは、マルチクラス分類、機能の自動学習、データポイントの重要性の自動学習、不確実性値を結果に割り当て、利用可能なすべてのデータポイントを使用して、バイナリ機能を必要としません。
漸進的なAA-CBRは、既存のAA-CBR製剤を大幅に上回る一方で、NNSに同等に機能することを示しています。

要約(オリジナル)

We introduce Gradual Abstract Argumentation for Case-Based Reasoning (Gradual AA-CBR), a data-driven, neurosymbolic classification model in which the outcome is determined by an argumentation debate structure that is learned simultaneously with neural-based feature extractors. Each argument in the debate is an observed case from the training data, favouring their labelling. Cases attack or support those with opposing or agreeing labellings, with the strength of each argument and relationship learned through gradient-based methods. This argumentation debate structure provides human-aligned reasoning, improving model interpretability compared to traditional neural networks (NNs). Unlike the existing purely symbolic variant, Abstract Argumentation for Case-Based Reasoning (AA-CBR), Gradual AA-CBR is capable of multi-class classification, automatic learning of feature and data point importance, assigning uncertainty values to outcomes, using all available data points, and does not require binary features. We show that Gradual AA-CBR performs comparably to NNs whilst significantly outperforming existing AA-CBR formulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google