[論文レビュー] A Bayesian Approach to Direct and Inverse Abstract Argumentation Problems

Hiroyuki Kido, Beishui Liao|arXiv (Cornell University)|Sep 10, 2019

Multi-Agent Systems and Negotiation参考文献 38被引用数 5

ひとこと要約

本稿では、抽象的論証における直接的・逆問題を統合するベイジアン確率的モデルを提案し、攻撃関係における不確実性を扱うために攻撃関係の確率的推論を可能にする。両問題がベイジアン推論に還元されることを示し、実証的検証により人間の論証受容性に関する感情の予測精度が高く、データ駆動型の論証フレームワークを可能にし、知識獲得のボトルネックを解消する。

ABSTRACT

This paper studies a fundamental mechanism of how to detect a conflict between arguments given sentiments regarding acceptability of the arguments. We introduce a concept of the inverse problem of the abstract argumentation to tackle the problem. Given noisy sets of acceptable arguments, it aims to find attack relations explaining the sets well in terms of acceptability semantics. It is the inverse of the direct problem corresponding to the traditional problem of the abstract argumentation that focuses on finding sets of acceptable arguments in terms of the semantics given an attack relation between the arguments. We give a probabilistic model handling both of the problems in a way that is faithful to the acceptability semantics. From a theoretical point of view, we show that a solution to both the direct and inverse problems is a special case of the probabilistic inference on the model. We discuss that the model provides a natural extension of the semantics to cope with uncertain attack relations distributed probabilistically. From en empirical point of view, we argue that it reasonably predicts individuals sentiments regarding acceptability of arguments. This paper contributes to lay the foundation for making acceptability semantics data-driven and to provide a way to tackle the knowledge acquisition bottleneck.

研究の動機と目的

• 観察された受容性感情からのデータ駆動型推論を可能にすることで、抽象的論証における知識獲得のボトルネックを解消すること。
• 観察された受容性集合から攻撃関係を推論する抽象的論証の逆問題を、確率的枠組み内で形式化すること。
• 受容性意味論に忠実な単一のベイジアン推論枠組みの下で、直接的および逆的論証問題を統一すること。
• 攻撃関係の不確実性、ノイズ、または確率的状態を扱えるように、受容性意味論を自然に拡張する生成モデルを提供すること。
• 実世界に類似したデータを用いて、実証的にモデルが人間の受容性感情をどれほど正確に予測できるかを検証すること。

提案手法

• 攻撃関係を潜在的な確率的変数とみなす生成的ベイジアンモデルを提案し、受容性状態がそれらに条件付きに依存するように定式化する。
• ベイジアン推論（特にギブスサンプリング）を用いて、観察された受容性感情が与えられたもとでの攻撃関係の事後分布を計算する。
• 標準的な意味論（例：完全、好ましい、安定）を用いて、攻撃構造上の条件付き確率分布として論証受容性をモデル化する。
• 観察された受容性集合の尤度を意味論に基づいて計算する確率的定式化を導入し、逆推論を可能にする。
• 与えられた意味論の下で、観察された受容性パターンをどれほどよく説明できるかに基づいて攻撃関係のスコアを付ける尤度関数を採用する。
• 交差検証を用いて、合成データおよび実世界に類似したデータセットを用いてモデルを実証的に評価し、受容性確率の予測精度を測定する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンモデルは、単一の確率的枠組みの下で、抽象的論証の直接的および逆的問題を統合的に扱えるか？
• RQ2 人間の判断で観察されるノイズや不確実性を含む受容性感情から、モデルはどれほど正確に攻撃関係を推論できるか？
• RQ3 訓練データが増加するに従い、攻撃関係の事後分布がどの程度収束するか？
• RQ4 実証的評価において、モデルの論証受容性予測は人間の感情と一致するか？
• RQ5 モデルは、記号的AIにおける知識獲得のボトルネックを克服するためのデータ駆動型受容性意味論の基盤として機能できるか？

主な発見

• 提案されたベイジアンモデルは、直接的および逆的抽象的論証問題を確率的推論に還元し、統一的な枠組みを提供した。
• 実証的結果から、モデルは論証受容性の推定において高い予測精度を達成しており、訓練データが増加するに従い平均的な精度が向上することが示された。
• 十分な訓練データが与えられた場合、ギブスサンプリングにより攻撃関係の事後分布が収束することが確認され、安定した推論が可能であることが示された。
• 訓練データがなければ攻撃関係は発散するため、意味のある推論にはデータが不可欠であることが確認された。
• モデルは人間の受容性感情を妥当に予測できており、その実証的妥当性が裏付けられた。
• 本アプローチは、攻撃関係の不確実性を扱うための原理的で意味論に忠実な手法を提供し、受容性意味論を確率的状況に自然に拡張した。