使用论证解释因果模型：以双变量强化为例

May, 2022

使用论证解释因果模型：以双变量强化为例

Explaining Causal Models with Argumentation: the Case of Bi-variate Reinforcement

Antonio Rago, Pietro Baroni, Francesca Toni

TL;DR本文介绍基于因果模型生成论证框架的概念化，将 AF 的语义理解为可解释 AI 的说明模式，演示了使用双变量强化属性重新解释为说明模式来为因果模型的输出制作双极 AF 的方法，并进行了理论评估。

Abstract

causal models are playing an increasingly important role in machine learning, particularly in the realm of explainable ai. We introduce a

causal models explainable ai argumentation frameworks bipolar afs machine learning

发现论文，激发创造

定量双极论证框架中的论证归因解释

解释性 AI 的一个关键问题是如何解释 Argumentation Frameworks (AFs) 的推理结果，而定量推理结果在 gradual semantics 下的解释尚未得到广泛关注。本文提出了一个新的 Argument Attribution Explanations (AAEs) 理论，通过在 Quantitative Bipolar Argumentation Frameworks (QBAFs) 中引入机器学习中的特征归因理念，研究 AAEs 的理论性质，并通过两个案例研究验证了 AAEs 在假新闻检测和电影推荐系统中的应用性。

Jul, 2023

当因子化遇到论证：朝着论证性解释的方向

该研究提出一种将基于因子分解的模型与论证框架相结合的新模型，通过在模型的每个阶段提供明确的含义，使其能够产生易于理解的推荐解释，并能够结合用户上下文等附加信息实现更准确的预测。

May, 2024

因果透镜下的可解释强化学习

本文使用因果关系模型来推导强化学习器的行为的因果解释，并通过对一项实验的研究结果表明，基于因果模型的解释在任务预测、解释满意度和信任方面表现更好。

May, 2019

通过论证学习实现可解释性人工智能

本文研究了从 ' 案例模型 ' 中学习参数，探究 Verheij 提出的案件模型是否可以用于从其他类型数据集中学习参数，并将其与 HeRO 算法和决策树进行比较。

Feb, 2022

通过辩论交流解决冲突的交互式解释

本研究针对可解释人工智能（XAI），提出了一种计算论证的交互式解释方法（AXs），以解决模型输出与人类决策之间的不一致性。实验结果表明，AXs 在 XAI 中可以有效地解决不当行为和决策冲突。