[论文解读] 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 8

一句话总结

本文提出了一种混合框架，将非严格论证与机器学习（ML）相结合，以增强基于知识的系统中的定性推理。通过结合机器学习用于知识库归纳和辩证推理用于冲突解决，该方法在不确定、不完整领域中实现了稳健且可解释的推理——尤其在文本挖掘应用中表现出色。

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.

研究动机与目标

• 通过引入定性、非严格的推理，弥补纯定量机器学习模型的局限性，实现更具可解释性和鲁棒性的推理。
• 探讨如何利用机器学习技术从训练数据和背景知识中归纳出非严格规则和论证。
• 通过将基于机器学习的聚类、过滤和关键词搜索与论证相结合，以解决冲突和评估假设，从而增强文本挖掘系统。
• 开发一个统一框架，使辩证推理能够在存在冲突假设的情况下支持决策，从而提高可靠性。

提出的方法

• 使用归纳逻辑编程（ILP）和KDD技术，从正例和负例中提取非严格规则，将异常情况泛化为默认规则。
• 从训练数据D和背景理论B构建知识库（Π, Δ），其中Π包含严格规则，Δ包含非严格规则。
• 将假设表示为论证结构⟨A, h⟩，其中A结合了相关背景理论和数据特征。
• 应用辩证推理，通过递归分析攻击和击败关系，并利用特定性等偏好标准，评估论证的可接受性。
• 利用神经网络和贝叶斯分类器等机器学习技术进行文档聚类和过滤，将其与论证相结合以提升可解释性。
• 将机器学习生成的数值属性和概率属性作为输入，用于定义论证框架中的击败关系，从而实现对冲突论证的定量比较。

实验结果

研究问题

• RQ1 如何利用机器学习技术从训练数据和背景知识中自动生成非严格规则和异常情况？
• RQ2 论证框架在多大程度上能够增强基于机器学习的文本挖掘系统的可解释性和可靠性？
• RQ3 如何将辩证推理过程与机器学习相结合，以解决竞争性假设或模型之间的冲突？
• RQ4 机器学习生成的数值或概率属性在定义论证系统中击败关系时发挥何种作用？
• RQ5 结合机器学习与非严格论证的混合系统是否能在现实世界的知识发现任务中超越纯统计方法或纯符号方法？

主要发现

• 非严格论证提供了一个正式框架，用于建模常识性、定性的推理，与大多数机器学习算法的定量特性形成互补。
• 归纳逻辑编程和基于KDD的方法能够成功地从训练数据中生成包含异常情况的非严格规则，从而实现非单调推理。
• 将机器学习与论证相结合，可构建结合数据特征和背景知识的论证结构⟨A, h⟩，以表达假设。
• 通过机器学习生成的数值值，可增强包括递归击败分析在内的辩证推理过程，以解决论证之间的冲突。
• 在文本挖掘中，将基于机器学习的聚类和过滤与论证相结合，可提升可解释性，并减少对“黑箱”模型的依赖。
• 该混合方法为在涉及不确定性和不完整信息的领域中构建更透明、更稳健、更可靠的系统提供了有前景的路径。