非扁平 ABA 是二极心论的一个实例
该研究通过使用 ABA 和 BAF 之间的翻译,提出了一种基于实例的方法来推理非平坦的 ABA,并通过识别冗余参数的三种方式来降低计算成本。实证评估表明,这种方法在许多情况下胜过不构建参数的方法,反映了 BAF 推理的复杂度较低。
Apr, 2024
通过对非平面 ABA 的扩展,我们建立了假设为 LP 中的不可行否定的稳定模型语义,以及在 LP 中的否定失效头部的集合稳定 ABA 语义之间的对应关系。
May, 2024
提出 ABA+,一种新的处理偏好的结构化论证形式,通过直接将关于假设的偏好信息纳入攻击关系中,实现攻击反转。ABA + 保守地扩展了 ABA,并在论证语义与偏好处理之间展现了各种理想的特性。我们还介绍了 “弱逆否命题” 原则,涉及具有规则和偏好的推理,放松了逆否命题的标准原则,同时保证了 ABA + 的额外理想特性。
Oct, 2016
本文提出了一种基于逻辑的学习方法,通过利用给定的背景知识从正负样例中生成基于假设的辩证框架,并将这些框架映射到可能是非分层的失败否定的逻辑程序。该方法通过采用转换规则来处理常规规则的例外,其中包括一些从逻辑程序转换规则改编的规则,例如折叠,以及类似于背诵学习和假设引入的其他规则。我们提出了一个应用这些转换规则学习分层框架的通用策略,并还提出了一种处理非分层情况的变体。通过多个示例,我们展示了此方法的优点。
May, 2023
我们研究 ABA + 的性质,ABA + 是一个扩展了假设为基础的论证(ABA)的形式化,具有偏好处理机制。我们确定了 ABA + 语义表现出的理想特性,这为 ABA + 在论证和非单调推理中满足一些(可以说是)理想的偏好处理原则以及 ABA + 的非单调推理性质奠定了基础。
Mar, 2016
最近,提出了 ABA 学习作为一种从背景知识、正负样本中绘制基于假设的论证框架的符号机器学习方法。我们提出了一种使用答案集规划来实现 ABA 学习的新方法,以帮助指导 ABA 学习中的死记硬背和泛化。
Aug, 2023
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
本文研究了基于假设的论证(ABA)中逻辑编程碎片中比第二层多项式分层难度的理性推理和优先推理问题的有效算法,利用增量 ASP 求解器中的非平凡反例引导的抽象精化程序。
Aug, 2021
本研究探讨了基于 Argumentation Framework 的框架和 Partial Stable Models 之间的关系,证明每个基于 AF 的框架 Delta 都可以被翻译成一个逻辑程序 P_Delta,而不同的 Delta 语义扩展可以对应于 P_Delta 的不同 PSM 子集。该研究为新的基于 AF 的框架的语义定义提供了可能性,例如带有递归攻击和递归演绎支持的 AFs。
Aug, 2020