A novel structured argumentation framework for improved explainability of classification tasks

要約

この論文では、拡張議論決定グラフ ($xADG$) と呼ばれる、構造化議論のための新しいフレームワークを紹介します。
これは、Dung の抽象議論グラフに基づいて構築された議論決定グラフの拡張です。
$xADG$ フレームワークでは、引数が内部構造内でブール論理演算子と複数の前提 (サポート) を使用できるようになり、その結果、ユーザーにとって理解しやすい、より簡潔な引数グラフが得られます。
この研究では、$xADGs$ を構築するための方法論を提示し、そのサイズとさまざまな規模の分類タスクの予測能力を評価します。
結果として得られた $xADGs$ は、入力デシジョン ツリーを通じて達成された強力な (バランスの取れた) 精度を達成すると同時に、結論に達するまでに必要なサポートの平均数も削減しました。
結果はさらに、予測能力と全体のサイズの点で $ADGs$ を構築するための他の手法よりも優れた、もっともらしく理解可能な $xADGs$ を構築することが可能であることを示しました。
要約すると、この研究は、$xADG$ が、分類タスクや知識の発見、獲得、改良に使用できる、より簡潔な議論モデルを開発するための有望なフレームワークであることを示唆しています。

要約(オリジナル)

This paper presents a novel framework for structured argumentation, named extend argumentative decision graph ($xADG$). It is an extension of argumentative decision graphs built upon Dung’s abstract argumentation graphs. The $xADG$ framework allows for arguments to use boolean logic operators and multiple premises (supports) within their internal structure, resulting in more concise argumentation graphs that may be easier for users to understand. The study presents a methodology for construction of $xADGs$ and evaluates their size and predictive capacity for classification tasks of varying magnitudes. Resulting $xADGs$ achieved strong (balanced) accuracy, which was accomplished through an input decision tree, while also reducing the average number of supports needed to reach a conclusion. The results further indicated that it is possible to construct plausibly understandable $xADGs$ that outperform other techniques for building $ADGs$ in terms of predictive capacity and overall size. In summary, the study suggests that $xADG$ represents a promising framework to developing more concise argumentative models that can be used for classification tasks and knowledge discovery, acquisition, and refinement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google