Learning Brave Assumption-Based Argumentation Frameworks via ASP

要約

仮定に基づく議論 (ABA) は、論理プログラミングを含むさまざまな形式の非単調推論の統一形式主義として提唱されています。
これにより、議論の対象となる、実行不可能な知識を取得することができます。
多くの既存の研究では、ABA フレームワークが事前に提供されていますが、この論文では、背景知識と肯定的/否定的な例からの学習を自動化する問題に焦点を当てています。
以前の研究とは異なり、ABA の安定した拡張機能の下で、勇敢な推論の観点から問題を新たに組み立てました。
変換ルール (暗記学習、折り畳み、仮定の導入、事実の包含など) に基づく新しいアルゴリズムと、回答セット プログラミングを利用したその実装を紹介します。
最後に、私たちの技術を、実行可能な知識を学習する最先端の ILP システムと比較します。

要約(オリジナル)

Assumption-based Argumentation (ABA) is advocated as a unifying formalism for various forms of non-monotonic reasoning, including logic programming. It allows capturing defeasible knowledge, subject to argumentative debate. While, in much existing work, ABA frameworks are given up-front, in this paper we focus on the problem of automating their learning from background knowledge and positive/negative examples. Unlike prior work, we newly frame the problem in terms of brave reasoning under stable extensions for ABA. We present a novel algorithm based on transformation rules (such as Rote Learning, Folding, Assumption Introduction and Fact Subsumption) and an implementation thereof that makes use of Answer Set Programming. Finally, we compare our technique to state-of-the-art ILP systems that learn defeasible knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google