[论文解读] Probabilistic Argumentation with Epistemic Extensions and Incomplete Information

Anthony Hunter, Matthias Thimm|arXiv (Cornell University)|May 14, 2014

Multi-Agent Systems and Negotiation参考文献 10被引用 10

一句话总结

本文通过将论证概率解释为对论证正当性的信念程度，引入了概率论证中的认识论扩展，其中概率大于0.5表示信念。它提出了对概率函数的约束，以与Dung的标准扩展（如一致性与基础性）保持一致，并引入了非标准约束以实现更广泛的建模，从而实现更精细的不确定性处理以及辩论中基于受众的推理。

ABSTRACT

Abstract argumentation offers an appealing way of representing and evaluating arguments and counterarguments. This approach can be enhanced by a probability assignment to each argument. There are various interpretations that can be ascribed to this assignment. In this paper, we regard the assignment as denoting the belief that an agent has that an argument is justifiable, i.e., that both the premises of the argument and the derivation of the claim of the argument from its premises are valid. This leads to the notion of an epistemic extension which is the subset of the arguments in the graph that are believed to some degree (which we defined as the arguments that have a probability assignment greater than 0.5). We consider various constraints on the probability assignment. Some constraints correspond to standard notions of extensions, such as grounded or stable extensions, and some constraints give us new kinds of extensions.

研究动机与目标

• 使用概率作为对论证正当性的信念程度进行论证建模，而非结构不确定性。
• 将认识论扩展定义为概率大于0.5的论证集合，以表示对正当性的信念。
• 建立概率函数的约束，以确保认识论扩展与经典Dung扩展（如基底、稳定）一致。
• 引入非标准概率约束，以超越经典语义，实现对信念和不确定性的更丰富建模。
• 将该框架应用于不完整的概率赋值，通过最大熵法完成一致的赋值。

提出的方法

• 将每个论证的概率解释为代理对论证正当性的信念（前提和推导有效）。
• 将认识论扩展定义为概率大于0.5的论证集合。
• 引入一致性约束：若A攻击B，则P(A) ≤ 1 - P(B)，以确保攻击关系与信念水平之间的一致性。
• 应用基础性约束：若一个论证无攻击者，则其概率为1，反映默认可接受性。
• 使用最大程度承诺和最大熵概率函数，以完成部分概率赋值。
• 区分标准视角（约束与Dung语义匹配）与非标准视角（引入新约束以实现扩展建模）。

实验结果

研究问题

• RQ1 如何将论证的概率赋值解释为对其中正当性的信念程度？
• RQ2 哪些概率函数约束可确保认识论扩展与经典Dung扩展（如基底、稳定）一致？
• RQ3 如何通过非标准概率约束将框架扩展至经典语义之外，以建模更丰富的信念结构？
• RQ4 如何利用概率约束一致地完成论证框架中的部分概率赋值？
• RQ5 在满足约束条件下，最大熵在选择合理概率函数中起什么作用？

主要发现

• 一致性约束确保：若论证A攻击B，则P(A) ≤ 1 - P(B)，从而在攻击关系与信念水平之间保持逻辑一致性。
• 基础性约束为无攻击者的论证赋予P(A) = 1，反映默认可接受性，并与基底语义一致。
• 在给定的论证框架中，图4(c)中的概率函数P3是在所有一致且满足π5条件的函数中熵最大的，因此是最无偏的选择。
• 基于P(A) > 0.5的认识论扩展，相较于经典扩展，能更精细地表示信念，支持在辩论中对受众层面推理的建模。
• 该框架通过在约束交集（如一致性与π-合规性）内选择函数，支持对部分概率赋值的一致完成，最大熵法可产生合理结果。
• 基于替代约束的非标准认识论扩展，可建模经典语义无法捕捉的信念结构，从而增强在说服与受众建模中的适用性。