现实语境下可废止论证与定量数据使用的比较与拓展
人工智能
2023-11-15 v1
摘要
处理不确定、矛盾和模糊的信息仍是人工智能（AI）中的一个核心问题。因此，许多形式化方法被提出或改编以考虑非单调性，但仅有有限的工作和研究者对它们进行任何形式的比较。非单调形式化方法允许根据新证据从前提中撤回先前的结论或主张，在处理不确定性时提供了一些理想的灵活性。本研究文章聚焦于评估可废止论证的推理能力，这是一种特别被设想用于建模非单调推理的形式化方法。除此之外，由于模糊推理和专家系统在 AI 界广泛且被接受的使用，我们选取并采用它们作为基线，并将其拓展以处理推理的非单调性。计算信任被选作此类模型的应用领域。信任是一个定义不良的结构，因此应用于信任推断的推理可视为非单调的。推断模型被设计用于为维基百科项目的编辑分配信任标量。特别是，基于论证的模型尽管使用了不同的知识库或数据集，仍表现出比基于基线构建的模型更强的鲁棒性。本研究通过利用可废止论证并将其与类似方法比较，对知识体系作出了贡献。此类方法的实际使用连同促进类似实验的模块化设计得到了示例说明，其各自实现已在 GitHub [120, 121] 上公开。本工作增补了先前的研究，从经验上增强了可废止论证作为一种处理定量数据与不确定知识的引人注目方法的泛化能力。
引用
@article{arxiv.2206.13959,
title = {Comparing and extending the use of defeasible argumentation with quantitative data in real-world contexts},
author = {Lucas Rizzo and Luca Longo},
journal= {arXiv preprint arXiv:2206.13959},
year = {2023}
}