[论文解读] 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 5

一句话总结

本文提出了一种贝叶斯概率模型，统一了抽象论证中的直接问题与逆问题，通过在攻击关系上进行概率推理，以处理论证可接受性中的不确定性。实证结果表明，两种问题均可简化为贝叶斯推理，且在人类对论证可接受性的态度预测上表现出优异的准确性，从而实现了数据驱动的论证框架，并解决了知识获取瓶颈问题。

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.

研究动机与目标

• 通过从观察到的可接受性态度中实现数据驱动的推理，解决抽象论证中的知识获取瓶颈问题。
• 在概率框架内形式化抽象论证的逆问题——即从观察到的可接受性集合中推断攻击关系。
• 在单一贝叶斯推理框架下统一直接与逆向论证问题，忠实于可接受性语义。
• 提供一个生成模型，自然地将可接受性语义扩展至处理不确定、噪声或概率性攻击关系。
• 通过真实世界类似数据的实证验证，证明该模型能合理预测人类对论证可接受性的态度。

提出的方法

• 提出一种生成式贝叶斯模型，将攻击关系视为潜在的随机变量，可接受性状态则条件依赖于它们。
• 使用贝叶斯推理（特别是吉布斯采样）计算在给定观察到的可接受性态度下，攻击关系的后验分布。
• 使用标准语义（如完全、偏好、稳定）作为攻击结构上条件概率分布的建模方式，以表示论证可接受性。
• 引入一种概率公式，基于语义计算观察到的可接受性集合的似然性，从而实现逆向推理。
• 采用一种似然函数，根据攻击关系在给定语义下解释观察到的可接受性模式的优劣来评分。
• 通过合成数据集和真实世界类似数据集对模型进行实证评估，利用交叉验证测量可接受性概率的预测准确性。

实验结果

研究问题

• RQ1 能否在一个统一的概率框架下，用贝叶斯模型将抽象论证的直接问题与逆问题统一起来？
• RQ2 该模型在人类判断中观察到的噪声或不确定的可接受性态度下，推断攻击关系的能力如何？
• RQ3 随着训练数据的增加，该模型在攻击关系上的后验分布收敛程度如何？
• RQ4 在实证评估中，该模型对论证可接受性的预测是否与人类态度一致？
• RQ5 该模型能否作为数据驱动可接受性语义的基础，从而克服符号人工智能中的知识获取瓶颈？

主要发现

• 所提出的贝叶斯模型成功地将直接与逆向抽象论证问题简化为概率推理，提供了一个统一的框架。
• 实证结果表明，该模型在估计论证可接受性方面具有很高的预测准确性，且平均准确率随训练数据增加而提升。
• 当提供足够训练数据时，吉布斯采样显示出攻击关系后验分布的收敛性，表明推理具有稳定性。
• 在缺乏训练数据时，攻击关系会发散，证实数据对有意义推理至关重要。
• 该模型能合理预测人类对论证可接受性的态度，验证了其经验相关性。
• 该方法提供了一种原则性、语义忠实的方式，以处理攻击关系中的不确定性，将可接受性语义自然扩展至概率性设置。