[논문 리뷰] Integrating Defeasible Argumentation and Machine Learning Techniques

Sergio Alejandro Gómez, Carlos Iván Chesñevar|ArXiv.org|2004. 02. 25.

Software Engineering Research참고 문헌 19인용 수 8

한 줄 요약

이 논문은 지식 기반 시스템에서의 정성적 추론을 향상시키기 위해 비가역적 추론(Defeasible Argumentation)과 기계학습(ML)을 융합한 하이브리드 프레임워크를 제안한다. 지식 기반 유도를 위한 기계학습과 갈등 해소를 위한 변증적 추론을 결합함으로써, 불확실하고 불완전한 도메인에서도 강력하고 해석 가능한 추론을 가능하게 하며, 특히 텍스트 마이닝 응용 분야에서 뛰어난 성능을 발휘한다.

ABSTRACT

The field of machine learning (ML) is concerned with the question of how to construct algorithms that automatically improve with experience. In recent years many successful ML applications have been developed, such as datamining programs, information-filtering systems, etc. Although ML algorithms allow the detection and extraction of interesting patterns of data for several kinds of problems, most of these algorithms are based on quantitative reasoning, as they rely on training data in order to infer so-called target functions. In the last years defeasible argumentation has proven to be a sound setting to formalize common-sense qualitative reasoning. This approach can be combined with other inference techniques, such as those provided by machine learning theory. In this paper we outline different alternatives for combining defeasible argumentation and machine learning techniques. We suggest how different aspects of a generic argument-based framework can be integrated with other ML-based approaches.

연구 동기 및 목표

• 순수한 정량적 기계학습 모델의 한계를 보완하기 위해 더 해석 가능하고 강력한 추론을 위해 정성적이고 비가역적인 추론을 통합하는 것.
• 기계학습 기법이 훈련 데이터와 배경 지식에서 비가역 규칙 및 추론을 유도하는 방법을 탐색하는 것.
• 기계학습 기반 클러스터링, 필터링, 키워드 검색과 추론 기반 갈등 해소 및 가설 평가를 융합하여 텍스트 마이닝 시스템을 향상시키는 것.
• 갈등이 있는 가설이 존재하는 상황에서 변증적 추론이 의사결정 지원 기능을 수행하는 통합 프레임워크를 개발하여 신뢰성을 향상시키는 것.

제안 방법

• 양성 및 음성 예제에서 비가역 규칙을 추출하기 위해 인덕티브 논리 프로그래밍(ILP)과 KDD 기법을 사용하여 예외를 일반화한 기본 규칙으로 일반화하는 방식.
• 훈련 데이터 D와 배경 이론 B로부터 지식 기반(Π, Δ)을 구성하며, Π는 엄격한 규칙을 포함하고 Δ는 비가역 규칙를 포함한다.
• 가설을 ⟨A, h⟩ 형태의 추론 구조로 표현하며, A는 관련된 배경 이론과 데이터 특징을 조합한다.
• 특수성 등의 선호 기준을 사용하여 공격과 패배를 재귀적으로 분석함으로써 변증적 추론을 적용하여 추론의 수용 가능성 평가를 수행한다.
• 신경망과 베이지안 분류기와 같은 기계학습 기법을 활용하여 문서 클러스터링 및 필터링을 수행하고, 추론 기반으로 해석 가능성 향상을 위한 통합을 수행한다.
• 기계학습에서 유도된 수치적 및 확률적 속성을 입력으로 사용하여 추론 프레임워크 내에서 패배 관계를 정의함으로써, 갈등하는 추론 간의 정량적 비교를 가능하게 한다.

실험 결과

연구 질문

• RQ1 기계학습 기법을 활용해 훈련 데이터와 배경 지식에서 비가역 규칙 및 예외를 자동으로 생성하는 방법은 무엇인가?
• RQ2 어떤 방식으로 추론 프레임워크가 기계학습 기반 텍스트 마이닝 시스템의 해석 가능성과 신뢰성 향상에 기여할 수 있는가?
• RQ3 기계학습과 변증적 추론 과정을 어떻게 통합하여 경쟁적 가설 또는 모델 간의 갈등을 해결할 수 있는가?
• RQ4 기계학습에서 유도된 수치적 또는 확률적 속성이 추론 시스템 내 패배 관계 정의에 어떤 역할을 할 수 있는가?
• RQ5 기계학습과 비가역 추론을 융합한 하이브리드 시스템이 실제 지식 탐사 과제에서 순수 통계적 또는 순수 기호적 접근 방식을 능가할 수 있는가?

주요 결과

• 비가역 추론은 대부분의 기계학습 알고리즘의 정량적 성격과 보완되는 일상적인 정성적 추론을 공식적으로 모델링할 수 있는 프레임워크를 제공한다.
• 인덕티브 논리 프로그래밍과 KDD 기반 방법은 훈련 데이터에서 예외를 포함한 비가역 규칙을 성공적으로 유도할 수 있으며, 이는 비단조화 추론을 가능하게 한다.
• 기계학습과 추론의 융합은 데이터 특징과 배경 지식을 조합하여 가설을 표현하는 추론 구조 ⟨A, h⟩를 구성할 수 있도록 한다.
• 재귀적 패배 분석을 포함한 변증적 추론 과정은 기계학습에서 도출된 수치적 값으로 강화되어 추론 간의 갈등을 해결할 수 있다.
• 텍스트 마이닝 분야에서 기계학습 기반 클러스터링 및 필터링과 추론의 융합은 해석 가능성을 향상시키고 '블랙박스' 모델에 대한 의존도를 감소시킨다.
• 하이브리드 접근 방식은 불확실성과 정보 부족이 존재하는 도메인에서 더 투명하고 강력하며 신뢰할 수 있는 시스템을 구축하는 데 유망한 길을 제시한다.