[論文レビュー] Integrating Defeasible Argumentation and Machine Learning Techniques

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

Software Engineering Research参考文献 19被引用数 8

ひとこと要約

本稿では、知識ベースシステムにおける定性的推論を向上させるために、帰属的論証（defeasible argumentation）と機械学習（ML）を統合したハイブリッドフレームワークを提案する。MLを用いた知識ベースの誘導と、対立解決のための弁証的推論を組み合わせることで、不確実で不完全な分野においても、頑健で解釈可能な推論を可能にする。特にテキストマイニング応用において顕著な効果を示す。

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.

研究の動機と目的

• 純粋に定量的なMLモデルの限界を補うために、より解釈可能で頑健な推論を実現する定性的・帰属的推論を組み込むこと。
• 機械学習手法が訓練データおよび背景知識から帰属的規則と例外をどのように誘導できるかを検討すること。
• MLベースのクラスタリング、フィルタリング、キーワード検索と論証を組み合わせることで、テキストマイニングシステムの性能を向上させ、対立する仮説の評価と解決を可能にすること。
• 対立する仮説が存在する状況においても、弁証的推論が意思決定を支援する統合的フレームワークを構築することにより、信頼性を向上させること。

提案手法

• 正例と負例から帰属的規則を抽出するために、帰納的論理プログラミング（ILP）およびKDD手法を用い、例外を含む一般化されたデフォルト規則を導出する。
• 訓練データ D と背景理論 B から、知識ベース (Π, Δ) を構築する。ここで Π は厳密規則を、Δ は帰属的規則を表す。
• 仮説を、関連する背景理論とデータ特徴を組み合わせた構造 ⟨A, h⟩ として表現する。
• 特定性などの優先基準を用いて、攻撃と敗北を再帰的に分析することで、論証の受容可能性を弁証的推論によって評価する。
• ニューラルネットワークやベイジアン分類器などのML手法を用いて文書のクラスタリングとフィルタリングを行い、それらを論証と統合することで解釈性を向上させる。
• MLから得られる数値的・確率的属性を、論証フレームワークにおける敗北関係の定義に活用し、対立する論証の間で定量的比較を可能にする。

実験結果

リサーチクエスチョン

• RQ1 訓練データおよび背景知識から、自動的に帰属的規則と例外を生成するために、機械学習手法はどのように活用できるか？
• RQ2 論証フレームワークは、MLベースのテキストマイニングシステムの解釈性と信頼性をどのように向上させることができるか？
• RQ3 弁証的推論プロセスは、競合する仮説やモデルの間でどのようにMLと統合され、対立を解決できるか？
• RQ4 MLから得られる数値的または確率的属性は、論証システム内での敗北関係を定義するために、どのように役立つのか？
• RQ5 MLと帰属的論証を統合したハイブリッドシステムは、現実世界の知識発見タスクにおいて、純粋に統計的または純粋に記号的アプローチを上回る性能を示せるか？

主な発見

• 帰属的論証は、多数のMLアルゴリズムが有する定量的性質と補完的となる、日常的で定性的な推論を形式的にモデル化するフレームワークを提供する。
• 帰納的論理プログラミングおよびKDDベースの手法は、訓練データから例外を含む帰属的規則を効果的に生成でき、非単調的推論を可能にする。
• MLと論証の統合により、データ特徴と背景知識を組み合わせた論証構造 ⟨A, h⟩ を構築できる。
• 再帰的敗北分析を含む弁証的推論プロセスは、MLから得られる数値的価値によって強化され、論証間の対立を解決できる。
• テキストマイニングにおいて、MLベースのクラスタリングとフィルタリングを論証と統合することで、解釈性が向上し、「ブラックボックス」モデルへの依存が軽減される。
• ハイブリッドアプローチは、不確実性や情報の不完全性が伴う分野において、より透明性が高く、頑健で信頼性の高いシステムを構築する有望な道筋を示している。