[논문 리뷰] A Bayesian Approach to Direct and Inverse Abstract Argumentation Problems

Hiroyuki Kido, Beishui Liao|arXiv (Cornell University)|2019. 09. 10.

Multi-Agent Systems and Negotiation참고 문헌 38인용 수 5

한 줄 요약

이 논문은 추상적 논증에서 직접 문제와 역 문제를 통합하는 베이지안 확률 모델을 제안하며, 공격 관계에 대한 확률적 추론을 통해 논증 수용 가능성의 불확실성을 다룰 수 있도록 한다. 이는 둘 다 베이지안 추론으로 환원되며, 인간의 논증 수용 가능성에 대한 감정에 대한 예측 정확도가 높게 나타나 데이터 기반의 논증 프레임워크를 가능하게 하고 지식 획득의 한계를 해결한다.

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.

연구 동기 및 목표

• 관찰된 수용 가능성 감정에서 데이터 기반 추론을 가능하게 함으로써 추상적 논증에서 지식 획득의 한계를 해결하기 위해.
• 관찰된 수용 가능성 집합에서 공격 관계를 추론하는 추상적 논증의 역 문제를 확률적 프레임워크 내에서 형식화하기 위해.
• 수용 가능성 의미론에 충실한 단일 베이지안 추론 프레임워크 아래에서 직접 및 역 논증 문제를 통합하기 위해.
• 공격 관계의 불확실성, 노이즈 또는 확률적 성격을 다룰 수 있도록 수용 가능성 의미론을 자연스럽게 확장하는 생성 모델을 제공하기 위해.
• 실제 세계 유사 데이터를 사용하여 모델이 인간의 논증 수용 가능성에 대한 감정을 합리적으로 예측할 수 있음을 실증적으로 검증하기 위해.

제안 방법

• 공격 관계를 은닉된 랜덤 변수로 간주하고, 수용 가능성 상태가 그것들에 조건적으로 의존하는 생성 베이지안 모델을 제안한다.
• 관찰된 수용 가능성 감정을 바탕으로 공격 관계에 대한 사후 분포를 계산하기 위해 베이지안 추론—특히 지그재그 샘플링(Gibbs sampling)을 사용한다.
• 표준 의미론(예: 완전성, 선호성, 안정성)을 사용하여 공격 구조에 대한 조건부 확률 분포로 논증 수용 가능성의 의미론을 모델링한다.
• 관찰된 수용 가능성 집합의 가능도를 의미론에 기반해 계산하는 확률적 공식화를 도입함으로써 역 추론을 가능하게 한다.
• 주어진 의미론 하에서 관찰된 수용 가능성 패턴을 잘 설명하는 공격 관계에 대한 점수를 매기는 가능도 함수를 사용한다.
• 교차 검증을 통해 수용 가능성 확률의 예측 정확도를 측정하면서, 합성 및 실제 세계 유사 데이터셋을 사용해 모델을 실증적으로 평가한다.

실험 결과

연구 질문

• RQ1 단일 확률적 프레임워크 내에서 직접 및 역 문제를 통합하는 베이지안 모델이 가능한가?
• RQ2 인간 판단에서 관찰된 노이즈가 있거나 불확실한 수용 가능성 감정으로부터 공격 관계를 얼마나 잘 추론할 수 있는가?
• RQ3 학습 데이터가 증가함에 따라 공격 관계에 대한 모델의 사후 분포가 얼마나 수렴하는가?
• RQ4 실증 평가에서 모델의 논증 수용 가능성 예측이 인간 감정과 얼마나 일치하는가?
• RQ5 모델이 심벌 AI에서 지식 획득의 한계를 극복하는 데 기초가 될 수 있는가?

주요 결과

• 제안된 베이지안 모델은 직접 및 역 추상적 논증 문제를 모두 확률적 추론으로 환원하여 통합된 프레임워크를 제공한다.
• 실증 결과는 모델이 수용 가능성 추정에서 높은 예측 정확도를 달성했음을 보여주며, 평균 정확도가 학습 데이터가 증가함에 따라 향상됨을 확인한다.
• 충분한 학습 데이터가 제공될 경우 지그재그 샘플링이 공격 관계에 대한 사후 분포의 수렴을 보이며 안정적인 추론을 가능하게 함을 확인한다.
• 학습 데이터가 없을 경우 공격 관계가 발산함을 확인하여 데이터가 의미 있는 추론을 위해 필수적임을 입증한다.
• 모델은 인간의 논증 수용 가능성 감정을 합리적으로 예측하여 실증적 관련성을 입증한다.
• 이 접근법은 의미론에 충실한 원칙적인 방식으로 공격 관계의 불확실성을 다루며, 수용 가능성 의미론을 확률적 환경으로 확장한다.