[논문 리뷰] Measuring Inconsistency in Argument Graphs

Anthony Hunter|arXiv (Cornell University)|2017. 08. 09.

Multi-Agent Systems and Negotiation참고 문헌 23인용 수 4

한 줄 요약

이 논문은 추상적이고 논리 기반의 추론 그래프에서의 불일치를 측정하기 위한 일반적 프레임워크를 제안하며, 구조 기반 및 확장 기반의 불일치 측정법을 도입한다. 이러한 측정법을 통해 충돌을 줄이기 위한 최적의 질의를 식별함으로써 불일치 해결을 이끌어내며, 실험 결과는 고영향도의 추론에 초점을 맞출 경우 불일치가 최대 75% 감소함을 보여준다.

ABSTRACT

There have been a number of developments in measuring inconsistency in logic-based representations of knowledge. In contrast, the development of inconsistency measures for computational models of argument has been limited. To address this shortcoming, this paper provides a general framework for measuring inconsistency in abstract argumentation, together with some proposals for specific measures, and a consideration of measuring inconsistency in logic-based instantiations of argument graphs, including a review of some existing proposals and a consideration of how existing logic-based measures of inconsistency can be applied.

연구 동기 및 목표

• 계산 기반 추론 모델에서 체계적인 불일치 측정의 부족을 해결하기 위해.
• 추상적 추론 그래프에서 불일치를 측정하기 위한 일반적 프레임워크의 공리 체계를 개발하기 위해.
• 그래프 구조와 확장을 기반으로 한 구체적 불일치 측정법을 제안하기 위해.
• 기존의 논리 기반 불일치 측정법을 연역적 추론 프레임워크에 적용하기 위해.
• 불일치 측정법이 실제 추론 상황에서 해결 과정을 어떻게 이끌 수 있는지 보여주기 위해.

제안 방법

• 핵심 합리성 원칙과 일치하는 추론 그래프에서의 불일치 측정 공리 체계를 일반화한 프레임워크를 도입한다.
• 입도수, 사이클 수, 연결성 등의 그래프 특징을 사용하여 불일치를 수량화하는 구조 기반 측정법을 제안한다.
• ‘진행’, ‘기각’, ‘미결정’ 상태에 있는 추론의 수를 기반으로 불일치를 평가하는 확장 기반 측정법을 개발한다.
• 기존의 논리 기반 불일치 측정법(예: [HK04, DRMO10])을 연역적 추론 프레임워크에 적용된 그래프에 적용한다.
• 각 질의가 불확실성을 해소하고 그래프 구조를 업데이트함으로써 불일치 감소를 시뮬레이션하기 위해 질의 기반 기여 전략을 사용한다.
• 가능한 결과들에 대한 평균 감소량을 사용하여, 불일치 감소 기대치가 가장 높은 추론을 선택함으로써 질의 대상을 선정한다.

실험 결과

연구 질문

• RQ1 추상적 추론 그래프에 대한 합리적인 불일치 측정법을 정의하기 위해 어떤 공리들이 필요할까?
• RQ2 구조적 및 확장적 특징을 사용하여 추론 그래프의 불일치를 어떻게 수량화할 수 있을까?
• RQ3 기존의 논리 기반 불일치 측정법이 연역적 추론 프레임워크에 얼마나 잘 적응될 수 있을까?
• RQ4 불일치 측정법이 최적의 질의를 선택함으로써 추론에서 효과적인 해결 전략을 이끌어낼 수 있을까?
• RQ5 그래프 내 특정 추론에 기여함으로써 불일치는 어떻게 변화하는가?

주요 결과

• 제안된 불일치 측정법, 예를 들어 $I_{in}$과 $I_{cc}$는 추론 그래프 내 충돌 수준을 효과적으로 수량화한다. 초기 그래프 $G'$에서 $I_{in}(G')=4$이고 $I_{cc}(G')=1$이다.
• 질의 대상으로 $A_3$를 선택할 경우, 두 가지 가능한 결과(진행/기각)를 고려할 때 불일치가 최대 75% 감소한다.
• $A_2$가 진행으로 기여된 경우, 불일치는 $I_{in}(G')=4$에서 $I_{in}(G'')=1$로 감소하여 충돌이 크게 줄어든다.
• $A_2$가 진행으로 기여된 후, 사이클 수를 세는 불일치 측정법 $I_{cc}$는 1에서 0으로 감소하여 구조적 충돌이 감소함을 나타낸다.
• 불일치 감소 기대치를 최대화하는 질의를 선택함으로써 이 프레임워크는 체계적인 불일치 해결 절차를 가능하게 하여 추론에서의 의사결정을 향상시킨다.
• 이 방법은 불확실성 하에서 보다 나은 추론을 지원하므로 지능 분석과 같은 실제 도메인에 적용 가능하다.