基于假设的论证中的异构图神经网络
人工智能
2025-11-18 v2
摘要
假设基于论证（Assumption-Based Argumentation，ABA）是一种强大的结构化论证形式，但在稳定语义下对大型框架的扩展进行精确计算是不可行的。我们提出首个针对ABA的图神经网络（GNN）方法，用于近似计算可信接受性。为充分利用GNN，我们通过依赖图表示模型ABA框架，将假设、主张和规则建模为节点，并使用异构边标签区分支持、派生和攻击关系。我们提出两种GNN架构——ABAGCN和ABAGAT——分别堆叠残差异构卷积或注意力层，以学习节点嵌入。我们的模型在ICC MA 2023基准上训练，增强了合成ABAF，通过贝叶斯搜索优化了超参数。经验上，ABAGCN和ABAGAT均优于我们从抽象论证文献中改编的SOTA GNN基线， 在ICCMA实例上实现了最高达0.71的节点级F1分数。最后，我们开发了一个基于我们预测器驱动的正确且时间复杂度为多项式的扩展重建算法：它在小型ABAF上实现F1超过0.85的稳定扩展重建，并在大型框架中保持约0.58的F1分数。我们的工作为结构化论证的可扩展近似推理开辟了新方向。
引用
@article{arxiv.2511.08982,
title = {Heterogeneous Graph Neural Networks for Assumption-Based Argumentation},
author = {Preesha Gehlot and Anna Rapberger and Fabrizio Russo and Francesca Toni},
journal= {arXiv preprint arXiv:2511.08982},
year = {2025}
}
备注
Accepted to AAAI2026. Version with Appendix