我们提出了一个名为 ArgMed-Agents 的多代理框架,通过相互作用,使基于 LLM 的代理能够进行可解释的临床决策推理。该框架通过自我论证迭代和构建冲突关系的有向图,使 LLMs 能够模仿临床争辩推理的过程,并生成自主解释推理,从而提高复杂临床决策推理问题的准确性并增加用户的信心。
Mar, 2024
该研究介绍一种使用答案集编程的医师咨询系统来管理慢性病的做法,通过归纳推理和临床实践指导来判断病人的症状和情况是否适用于医师的治疗建议,以帮助医师尽快采取相应措施。
Jul, 2017
我们提出了一种基于扩展的方法来计算和验证抽象论证系统中的偏好。我们的研究考虑了标准推理问题的逆,即在给定一个抽象论证框架和一组被证明的论证时,计算关于论证的所有可能偏好的方法和算法。我们证明了算法的正当性、完备性和终止性。该研究表明,偏好是在评估阶段(论证的可接受性)之后使用基于扩展的方法确定的,而不是事先声明的。我们的研究集中在基于地面、首选和稳定的语义上,我们发现计算偏好集的复杂度与论证数量呈指数关系,因此描述了一种近似方法和算法来计算偏好,并提供了验证所计算偏好的新算法。我们提供了算法的实施细节(源代码已提供)、用于评估算法的各种实验以及结果的分析。
该文以 ASPIC + 形式主义为基础,构建了带偏好的论证的通用框架,并通过改进定义冲突自由的论据集,适应更广泛的逻辑实例化需求。最后,该框架被表明适应塔斯基逻辑实例化并通过古典逻辑审视,证明了该框架的广泛性。
Apr, 2018
本文提出了一个基于模态逻辑和论证的逻辑框架,用于解决自主代理人在执行任务时产生的冲突问题,并评估哪个计划应该被采纳。
Apr, 2022
本文研究了基于认可度模型的不确定知识推理,通过评估命题的最可接受论点来评估命题的确定性,并探讨了基于直接反论和存在捍卫者两种认可度计算方法,并采用优先级比较方法,构建了支持这两种认可度计算方法的理论框架, 并在分层知识库推理方面进行了实证研究。
Jan, 2013
本文介绍了一个新颖的框架,使用归纳逻辑编程方法来以可解释的方式学习几个抽象和结构化的论证框架的可接受语义。通过实证评估,我们证明了我们的框架胜过现有的论证求解器,从而在形式论证和人机对话领域开启了新的未来研究方向。
Oct, 2023
通过将英文数据翻译并投影到目标语言(西班牙语)的方法,我们有效地生成了无需手动干预的带注释数据,并证明了其优于使用大型屏蔽多语言语言模型的零 - shot 跨语言方法。同时,我们还展示了西班牙语中自动生成的数据如何用于改善英语评估设置中的结果。
Jan, 2023
本研究提出了一种新的任务,即通过重新编写具有说服力的论证描述来优化其传递方式,并使用序列到序列模型和上下文信息生成了候选的最优论证描述来改善传递,该方法在英语语料库上的自动和人工评估中胜过了其他重新排序基线,并且能够很好地推广到其他文本领域。
Dec, 2022
本文研究了在声称层面下偏好对抽象论证的影响,研究发现了四种处理偏好的减少方法在处理声称扩充论证框架的语义和计算复杂度方面的行为不同,这加强了认为必须谨慎选择处理偏好的观点。