[论文解读] Measuring Inconsistency in Argument Graphs

Anthony Hunter|arXiv (Cornell University)|Aug 9, 2017

Multi-Agent Systems and Negotiation参考文献 23被引用 4

一句话总结

本文提出了一种通用框架，用于衡量抽象和基于逻辑的论证图中的不一致性，引入了基于结构的和基于扩展的不一致性度量方法。该框架展示了如何通过识别能最大程度减少冲突的最优查询来指导不一致性解决，实证结果表明，当针对高影响力论证时，不一致性最高可减少75%。

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.

研究动机与目标

• 解决计算论证模型中缺乏系统性不一致性度量的问题。
• 为抽象论证图中的不一致性度量建立一个通用的公理化框架。
• 基于图的结构和扩展，提出具体的不一致性度量方法。
• 将现有的基于逻辑的不一致性度量方法适配至演绎论证框架中使用。
• 展示不一致性度量如何指导现实世界论证场景中的解决过程。

提出的方法

• 提出了一套适用于论证图中不一致性度量的通用公理化框架，确保与核心理性原则保持一致。
• 提出基于结构的度量方法，利用图特征（如入度、环数、连通性）来量化不一致性。
• 开发基于扩展的度量方法，根据不同标注状态（在、不在、未决）的论点数量来评估不一致性。
• 将现有的基于逻辑的不一致性度量方法（例如 [HK04, DRMO10]）应用于基于演绎推理实例化的论证图。
• 使用查询驱动的承诺策略来模拟不一致性的减少，其中每个查询通过消除不确定性并更新图结构来发挥作用。
• 采用一种选择待查询论点的过程，该过程基于预期的不一致性减少量，使用所有可能结果下的平均减少量作为依据。

实验结果

研究问题

• RQ1 什么样的公理应定义抽象论证图中理性的不一致性度量？
• RQ2 如何利用结构特征和扩展特征来量化论证图中的不一致性？
• RQ3 现有基于逻辑的不一致性度量在多大程度上可以被适配用于演绎论证框架？
• RQ4 不一致性度量是否能够通过选择最优查询来指导论证中的有效解决策略？
• RQ5 当对图中特定论点做出承诺时，不一致性如何变化？

主要发现

• 所提出的不一致性度量方法，如 $I_{in}$ 和 $I_{cc}$，能有效量化论证图中的冲突水平，初始图 $G'$ 中 $I_{in}(G')=4$ 且 $I_{cc}(G')=1$。
• 查询论点 $A_3$ 能带来最大预期不一致性减少，当考虑两种可能结果（在/不在）时，$I_{in}$ 最高可减少75%。
• 当 $A_2$ 被承诺为在时，不一致性从 $I_{in}(G')=4$ 降低至 $I_{in}(G'')=1$，表明冲突显著减少。
• 不一致性度量 $I_{cc}$（即环的数量）在将 $A_2$ 承认为在后，从1减少到0，表明结构性冲突减少。
• 该框架通过选择能最大化预期不一致性减少的查询，实现了一套系统化的不一致性解决流程，从而提升论证中的决策质量。
• 该方法可应用于情报分析等现实世界领域，其中减少不一致性有助于在不确定性下实现更优推理。