Jul, 2024

CE-QArg：定量单极争议框架的对立解释（技术报告）

HTML
PDF
TL;DR通过引入逆事实解释，我们提出了一种名为CE-QArg的迭代算法，它可以确定有效且具有成本效益的逆事实解释，并通过极性和优先级两个核心模块来确定每个论据的更新方向和大小，以解决Quantitative Bipolar Argumentation Frameworks（QBAFs）中论据强度的问题。
发现论文，激发创造
  • 基准测试可解释性人工智能的反事实算法：从白盒到黑盒

    该研究通过在三种不同类型的机器学习模型上进行基准评估来调查机器学习模型对反事实解释生成的影响，发现不同的机器学习模型对反事实解释生成没有影响，强烈建议进行定性分析来确保反事实解释的稳健分析和潜在偏差的识别。

    Mar, 2022

  • 预测论证框架

    本文介绍了一种名为Forecasting Argumentation Frameworks的基于论证的新型预测方法，它包括五种不同类型的论据，其中包括了提案论证和增减修正论证，以提高预测精度，并对其进行了实证研究。

    May, 2022

  • 模糊标记语义的定量论证

    本文提出了一种新的模糊标记量化法来评估实际场景中的争论强度，并探讨了其在渐进语义建立中的合理性和重要性。

    Jul, 2022

  • 反事实解释的多样性实现：综述和讨论

    本文综述了可解释人工智能（XAI）领域中的对抗事实例，这些例子通过指示对实例进行的修改来解释训练决策模型的预测，以改变其相关预测。同时，本文探讨了可解释人工智能中多元对抗事实例的概念定义，讨论了它们的基本原理以及它们依赖的用户需求的假设，并提出了这方面的进一步研究挑战。

    May, 2023

  • 用于改善分类任务可解释性的新型结构化论证框架

    研究提出了一种新的结构化论证框架，名为扩展论证决策图（$xADG$），它是 Dung 抽象论证图的扩展。$xADG$ 框架允许论点在其内部结构中使用布尔逻辑运算符和多个前提，从而产生更简洁的论证图，易于用户理解，并在分类任务中取得了强大的预测能力。除此之外，该研究还表明，所构建的 $xADG$ 可能是可信的，可用于知识发现、获取和细化。

    Jun, 2023

  • 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

  • 定量双极论证图的贡献函数：基于原则的分析

    我们提出了一种基于原则的分析方法，用于定量双极论证图中对一个论证对另一个论证的贡献的量化。这些引入的原则将不同贡献函数的直觉形式化，并且考虑了贡献函数的一般行为预期。由于没有一个被涵盖的贡献函数满足所有原则，我们的分析可以作为一个工具，根据给定用例的需求选择最适合的函数。

    Jan, 2024

  • 非扁平假设为基础的论证的实例化和计算方面

    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

  • 解释论证的强度: 揭示攻击和支持的作用(技术报告)

    提供定量解释的关系归因解释（RAEs）理论，适应于计算攻击和支持在定量双极论证中的作用，通过计算归因分数量化解释论点的强度，并且提出了一种概率算法在有效近似RAEs的同时，揭示了RAEs在欺诈检测和大型语言模型案例研究中的应用价值。

    Apr, 2024

  • 抽象论证中的对立假设和半事实解释: 形式基础、复杂性与计算

    该论文探讨了可解释人工智能和形式论证在抽象论证框架中的反事实和半事实推理，研究了其计算复杂性，并提供了通过ASP求解器的计算策略。

    May, 2024