Cognitive Argumentation and the Suppression Task
TU Dresden（德累斯顿工业大学）；University of Cyprus（塞浦路斯大学）
本文提出了一个新的框架，称为认知论证建模人类推理的挑战。这个框架基于这样一个假设，即人类逻辑推理本质上是一个辩证论证的过程，旨在为人类推理开发一个可计算和可实现的认知模型。为了使逻辑推理具有人类认知形式，该框架依赖于认知原则，基于认知科学中的经验和理论工作，以适当地适应AI计算论证的一般和抽象框架。认知论证的方法进行评估与伯恩的抑制任务，其目的是不仅要捕捉不同群体的人之间的抑制效果，但也要考虑到每个群体内的推理的变化。两个主要的认知原则是特别重要的捕捉人类条件推理，解释参与者的反应：（i）解释的条件内的条件作为充分和/或必要的和（ii）的推理模式，无论是预测或解释。我们认为，认知论证提供了一个连贯的和认知充分的模型，人类的条件推理，允许一个自然的明确和似是而非的结论之间的区别，表现出的重要特征，上下文敏感和可撤销的推理。
2020-02-24 cs.AI
Universal Reasoning, Rational Argumentation and Human-Machine Interaction
University of Luxemburg（卢森堡大学）；Freie Universität Berlin（柏林自由大学）
经典高阶逻辑，当被用作元逻辑时，其中各种其他（经典和非经典）逻辑可以被浅嵌入，非常适合于实现通用逻辑推理方法。反过来，正如莱布尼茨所设想的那样，普遍逻辑推理可能支持机器内理性论证的严格形式化和深入逻辑分析。描述了相应的通用逻辑推理框架，并讨论了一系列示例性应用。在未来，通用逻辑推理与适当的、受控形式的理性论证相结合，可能会成为人类和智能机器之间的沟通层。
2017-03-28 cs.AI
Neural-Symbolic Argumentation Mining: an Argument in Favor of Deep Learning and Reasoning
University of Bologna（博洛尼亚大学）；TU Darmstadt（达姆施塔特工业大学）；University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）
深度学习为论证挖掘领域带来了显着的贡献，但现有的方法仍然需要填补执行高级推理任务的空白。在这份立场文件中，我们认为神经符号和统计关系学习可以在整合符号和子符号方法以实现这一目标方面发挥至关重要的作用。
2020-01-28 cs.AI
On the links between argumentation-based reasoning and nonmonotonic reasoning
Graduate Center, City University of New York（纽约市立大学研究生中心）；University of Aberdeen（阿伯丁大学）；King’s College London（伦敦国王学院）
在本文中，我们研究实例化的论证系统和非单调推理的公理之间的联系[9]中描述的目的是表征基于论证的推理的性质。在这样做时，我们考虑两种可能的解释的后果关系，并描述哪些公理是满足ASPIC+根据这些解释。然后，我们考虑这些公理和合理性假设之间的联系。我们的研究结果表明，ASPIC+所表征的基于论点的推理是-根据[9]的公理-非累积和非单调的，因此比他们认为可能的最弱的非单调推理系统弱。这个弱点支撑ASPIC+的成功建模其他推理系统，我们的结论是考虑ASPIC+和其他弱逻辑系统之间的关系。
2017-01-13 cs.AI
Probabilistic Deduction: an Approach to Probabilistic Structured Argumentation
Nanyang Technological University（南洋理工大学）
本文介绍了概率推理（PD）作为一种概率结构化论证的方法。PD框架由概率规则（p-规则）组成。作为经典结构化论证框架中的规则，p-规则构成了演绎系统。此外，p规则还表示定义联合概率分布的条件概率。在PD框架下，通过求解规则概率可满足性来进行概率推理。同时，通过论证和攻击，可以获得对概率推理的论证性解读。在这项工作中，我们介绍了封闭世界假设（P-CWA）的概率版本，并证明我们的概率方法符合P-CWA下的经典论证的完全扩展和最大熵推理。我们提出了几种方法来计算联合概率分布从p-规则实现一个实用的证明理论PD。PD提供了一个框架，以统一的概率推理与论证推理。这是第一个工作的概率结构化论证的联合分布是不假定形式的外部来源。
2022-09-01 cs.AI
Preference-Based Abstract Argumentation for Case-Based Reasoning (with Appendix)
Imperial College London（帝国理工学院）
提出 AA-CBR-P，将用户偏好融入抽象论证与基于案例推理，并在原发性脑肿瘤临床试验数据上验证其优于其他可解释模型。
2024-08-03 cs.AI
Object-Centric Case-Based Reasoning via Argumentation
Department of Computing, Imperial College London, United Kingdom（计算系，伦敦帝国学院，英国）
本研究提出新型神经符号图像分类流水线SAA-CBR，结合以对象为中心的槽注意力学习与案例推理论证抽象框架的符号推理，探索多种整合策略，在CLEVR-Hans数据集上取得与基线相当的性能。
2025-09-30 cs.AI
Supported Abstract Argumentation for Case-Based Reasoning
Department of Computing, Imperial College London, UK（计算机系，帝国理工学院伦敦校区）
本文提出支持型抽象论证模型 sAA-CBR，通过引入支持关系消除 AA-CBR 中的尖峰案例，并证明其在不损失关键性质的前提下实现更干净的案例辩论分类。
2025-07-07 cs.AI
Value-based Practical Reasoning: Modal Logic + Argumentation
University of Bern（伯尔尼大学）；Zhejiang University（浙江大学）；King’s College London（伦敦国王学院）
自主智能体被认为能够通过执行一系列动作来完成用户分配的任务或实现目标。由于可能存在多个代理可以遵循的计划，并且每个计划可能会沿着每个动作提升或降级不同的值，因此代理应该能够解决它们之间的冲突并评估他应该遵循哪个计划。在本文中，我们开发了一个基于逻辑的框架，结合模态逻辑和论证的价值为基础的实际推理与计划。模态逻辑被用来作为一种技术来表示和验证是否可以遵循一个计划与其本地属性的价值提升或降级，以实现代理的目标。然后，我们提出了一个基于论证的方法，允许代理人的原因，他的计划的形式，支持或反对使用验证结果的计划。
2022-04-11 cs.AI
Reasoning by Cases in Structured Argumentation
Ruhr University Bochum（波鸿鲁尔大学）
我们扩展了结构化论证的$ASPIC^+$框架，以便允许应用的情况下，推理方案的可废止的参数。给定一个带有结论“$A$ or $B$”的论证，一个基于$A$带有结论$C$的论证，以及一个基于$B$带有结论$C$的论证，我们允许构造一个带有结论$C$的论证。我们展示了我们的框架如何导致不同的结果比其他方法在非单调逻辑处理析取信息，如析取默认理论或方法的基础上的OR规则（允许导出一个可废止的规则“如果（$A$或$B$），然后$C$”，给出两个可废止的规则“如果$A$，然后$C$”和“如果$B$，然后$C$”）。我们提出了新的问题，推理的微妙之处defeably与析取信息，并表明其形式化是更复杂的比一个人会假设。
2017-03-24 cs.AI
Cautious Monotonicity in Case-Based Reasoning with Abstract Argumentation
Imperial College London（帝国理工学院）
最近，基于案例推理的基于抽象论证的模型（简称$AA{\text -}CBR$）已经被提出，最初受到法律领域的启发，但也适用于不同场景中的分类器，包括图像分类，文本的情感分析，以及预测英国议会的法案通过。然而，$AA{\text -}CBR$作为一个推理系统的形式属性仍然在很大程度上未被探索。在本文中，我们专注于分析的$AA{\text -}CBR$（我们称之为$AA{\text -}CBR_{\succeq}$）的正规版本的非单调性。具体来说，我们证明了$AA{\text -}CBR_{\succeq}$是不谨慎单调，经常被认为是可取的非单调推理文献中的属性。然后定义了$AA{\text -}CBR_{\succeq}$的一个谨慎单调的变体，并给出了获得它的一个算法，进一步证明了这种变体等价于使用$AA{\text -}CBR_{\succeq}$和一个由原案例库中所有“令人惊讶”的案例组成的受限案例库.
2020-07-13 cs.AI
Technical Report on the Learning of Case Relevance in Case-Based Reasoning with Abstract Argumentation
Imperial College London（伦敦帝国学院）
本文研究在法律案例推理中结合抽象论证与决策树自动学习案例相关性，实验表明该方法在两个法律数据集上具有竞争力，并能生成更紧凑、更易解释的表示。
2023-10-30 cs.AI
Prioritized Norms in Formal Argumentation
Zhejiang University（浙江大学）；University of Luxembourg（卢森堡大学）；University of Aberdeen（阿伯丁大学）；CNRS（法国国家科学研究中心）
为了解决规范之间的冲突，可以使用各种非单调形式主义来执行优先规范推理。同时，形式论证为非单调逻辑提供了一种表示方法。在本文中，我们提出了一个表示优先规范推理的论证。使用层次抽象规范系统，我们定义了三种优先规范推理方法，称为贪婪，减少和优化。然后，在建立了层次抽象规范系统的论证理论之后，我们证明了对于一个全序的层次抽象规范系统，贪婪和归约可以分别用最弱环节和最后环节原则在论证中表示，和优化可以通过引入额外的失败来表示，捕获这样的想法，即对于包含不属于最大值的范数的每个参数，这一论断，应当予以驳斥。
2018-02-28 cs.AI
Possible Controllability of Control Argumentation Frameworks -- Extended Version
LIPADE, Université de Paris（巴黎大学 LIPADE）
最近的控制论证框架（CAF）是一个推广的Dung的论证框架，处理不确定性下的论证动力学，特别是它可以用来模拟行为的代理，可以预见未来的变化环境。在这里，我们提供了新的见解，这个模型定义的概念可能的可控性的CAF。我们研究了这种新形式的推理的四个经典语义的复杂性，我们提供了一个逻辑编码的推理与这个框架。
2020-09-10 cs.AI
Properties of ABA+ for Non-Monotonic Reasoning
Imperial College London（伦敦帝国学院）
我们调查ABA+，形式主义，扩展了研究结构化的论证形式主义假设为基础的论证（ABA）的偏好处理机制的属性。特别是，我们建立理想的属性，ABA+语义展示。这些铺平了道路，以满足ABA+的一些（可以说）理想的原则，偏好处理在论证和非单调推理，以及非单调推理属性的ABA+各种语义。
2017-11-05 cs.AI
ARGORA: Orchestrated Argumentation for Causally Grounded LLM Reasoning and Decision Making
School of EE, KAIST, Daejeon, South Korea（韩国科学技术院电子工程学院）；S2W Inc., Pangyo, South Korea（S2W公司）
ARGORA通过构建因果论证图，提升大语言模型在因果推理和决策中的准确性与修正能力。
2026-01-29 cs.AI
Splitting Assumption-Based Argumentation Frameworks
Institute of Logic and Computation, TU Wien, Austria（逻辑与计算研究所，维也纳技术大学，奥地利）
本文提出在知识库层面而非图论实例层面进行分解，以解决基于假设的论辩框架的计算复杂性问题，并推广了参数化分解方法。
2026-04-30 cs.AI
Value of Information for Argumentation based Intelligence Analysis
Defence Science and Technology Laboratory（国防科学技术实验室）
论证提供了论证和这些论证之间的攻击的表示。论证可以用来表示对证据进行推理以得出结论的过程。在这样的推理过程中，理解信息的价值可以根据推理过程的输出来提高决策的质量。一项信息的价值本质上取决于现有的证据和推理所回答的问题。在本文中，我们引入了一个价值的参数框架的信息，以确定最有价值的参数在框架中的参数的有限集合内，参数和攻击，可以添加到改变输出的评估。我们证明了在一个参数框架内的信息的价值，代表在海事领域的情报分析。了解信息在情报分析中的价值将使分析人员能够平衡收集的成本和风险，有效地要求进一步收集情报，以增加对假设分析的信心。
2021-02-16 cs.AI
Argumentation as a General Framework for Uncertain Reasoning
Advanced Computation Laboratory（高级计算实验室）；Centre for Cognitive Science（认知科学中心）；Imperial Cancer Research Fund（帝国癌症研究基金）；University of Roskilde（罗斯基勒大学）
论证是构建关于命题的论点的过程，以及基于支持论点的性质和相对强度对这些命题的置信度陈述的分配。这个过程被模拟为一个标记的演绎系统，在这个系统中，命题被双重标记为它们所基于的理由和对论点的信心的表示。参数构造是由基于最小逻辑的^，-片段的广义参数结果关系捕获的。参数可以通过各种数字和符号扁平化函数进行聚合。这种方法似乎揭示了各种定量，定性和可废止的不确定性演算的共同逻辑结构。
2013-03-06 cs.AI
Explaining Non-monotonic Normative Reasoning using Argumentation Theory with Deontic Logic
Sun Yat-sen University（中山大学）；University of Edinburgh（爱丁堡大学）
本研究在先前的LeSAC论证理论推理系统基础上，引入带道义算子和偏好的一阶道义逻辑，为设计师的法律相关设计决策提供有效解释，通过自动驾驶案例验证优势并证明系统满足合理性公设。
2024-09-18 cs.AI
Preference Elicitation in Assumption-Based Argumentation
King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）
各种结构化论证框架利用偏好作为其标准推理过程的一部分，以实现具有偏好的推理。在本文中，我们考虑一个逆的标准推理问题，试图确定什么样的偏好的假设可能会导致一组给定的结论。我们接地我们的工作在基于假设的论证（ABA）的框架，并提出了一个算法，计算和枚举所有可能的偏好设置在系统中的假设，从所需的无冲突的结论集可以在给定的语义下获得。在描述了我们的算法之后，我们建立了它的可靠性、完备性和复杂性。
2020-05-12 cs.AI
Counterfactual and Semifactual Explanations in Abstract Argumentation: Formal Foundations, Complexity and Computation
University of Calabria（卡拉布里亚大学）
本文研究抽象论证框架中的反事实与半事实解释，分析其推理复杂性并证明其通常难于经典接受问题，同时给出基于弱约束框架和 ASP 求解器的计算方法。
2024-05-07 cs.AI
On the Acceptability of Arguments in Preference-Based Argumentation
Universite Paul Sabatier（保罗·萨巴蒂尔大学）
辩论是一种很有前途的不确定性知识推理模型。可接受性的关键概念可以区分论点和反驳：命题的确定性可以通过该命题最可接受的论点来评估。在本文中，我们调查不同的互补观点：-一个可接受的基础上存在的直接反驳，-一个可接受的基础上存在的辩护人。追求以前的工作基于偏好的论证原则，我们执行这两个观点，考虑到偏好排序比较参数。我们的方法是说明在推理的背景下，分层的知识基础。
2013-01-30 cs.AI
Stability in Abstract Argumentation
结构化论证设置中的稳定性概念表征了与给定文字相关的接受状态不会受到该设置的任何未来演变的影响的情况。在本文中，我们抽象远离的逻辑结构的论点，我们移调这个概念的稳定性的背景下，邓根论证框架。特别是，我们展示了如何将这个问题转化为推理与参数不完整的AF。然后，我们提供了初步的复杂性结果的稳定性下四个突出的语义，在轻信和怀疑推理的情况下。最后，我们说明在何种程度上这一概念可以是有用的应用程序，以参数为基础的谈判。
2020-12-23 cs.AI
Argumentation for Common Ground: Finding Zones of Possible Agreement between Individuals in Conflict
本文提出定量双极论证框架，通过合并冲突双方的推理框架识别可能的共识区（ZOPA），并以巴以冲突的调查数据验证其可行性，为冲突解决提供新方法。
2026-08-18 cs.AI
Resolving Conflicts in Clinical Guidelines using Argumentation
Imperial College London（伦敦帝国理工学院）；National Institute of Informatics（国立信息学研究所）
在以患者为中心的医疗推理中，需要考虑患者特定的条件和目标，自动推理与冲突的通用临床指南是一个紧迫的问题。在存在偏好（例如患者的愿望和临床医生的优先级高于目标）的情况下，这甚至更具挑战性。我们提出了一个结构化的论证形式主义的推理与冲突的临床指南，病人的具体信息和偏好。我们的形式主义集成了基于推理的推理和目标驱动的推理结果之间的选择。具体来说，我们假设适用性的指南建议有关的通用目标的病人的福祉，解决冲突的建议使用患者的条件和偏好，然后考虑优先以患者为中心的目标，以产生非冲突，目标最大化和偏好尊重的建议。我们依靠最先进的基于过渡的医疗建议模型来表示指南建议，并通过患者的条件，目标以及对建议和目标的偏好来增强它。我们建立理想的属性，我们的方法在敏感性的建议冲突和病人的情况。
2019-02-20 cs.AI
An argumentation system for reasoning with conflict-minimal paraconsistent ALC
Maastricht University（马斯特里赫特大学）
语义Web是一个开放的分布式环境，在这个环境中，知识和信息的一致性难以保证。在标准的二值语义下，如果知识和信息不一致，则一切都是必然的。次协调逻辑LP的语义提供了一个解决方案。然而，如果可用的知识和信息是一致的，在次协调逻辑LP的三值语义下蕴涵的结论集小于在二值语义下蕴涵的结论集。偏好冲突最小的三值解释消除了这种差异。偏好冲突最小化解释引入了非单调性。为了处理这种非单调性，本文提出了一种基于推理的论证系统。关闭语义场景分支所需的假设形成了论点。导出参数集的稳定扩展对应于冲突最小解释，并且所有冲突最小解释所包含的结论都由所有稳定扩展中的参数支持。
2014-04-30 cs.AI
AI and Legal Argumentation: Aligning the Autonomous Levels of AI Legal Reasoning
Techbruim；CodeX: Stanford Center for Legal Informatics（CodeX：斯坦福法律信息学中心）
法律论证是司法的重要基石，是对抗性法律形式的基础，广泛的研究试图通过使用基于计算机的自动化（包括人工智能）来增强或进行法律论证。人工智能在自然语言处理（NLP）和机器学习（ML）方面的进步，特别是进一步提高了利用人工智能帮助法律专业人士的能力，其方式在这里被建模为关怀，即制作，评估，精炼和参与法律论证。除了人工智能支持的法律论证有助于增强以人为本的律师工作之外，这个多学科领域的一个理想目标还包括最终实现自主实现与人类等效的法律论证。因此，提出了一种创新的元方法，将人工智能法律推理（AILR）的自治水平（LoA）应用于人工智能和法律论证（AILA）的成熟，为衡量这个不断发展和严格追求的领域的进展提供了一种新的方法。
2020-09-11 cs.AI cs.CY
Monotonicity and Noise-Tolerance in Case-Based Reasoning with Abstract Argumentation (with Appendix)
Imperial College London（帝国理工学院）
最近，基于案例推理的基于抽象论证的模型（简称$AA{\text -} CBR$）已经被提出，最初受到法律领域的启发，但也适用于不同场景中的分类器。然而，$AA{\text -} CBR$作为一个推理系统的形式属性仍然在很大程度上未被探索。在本文中，我们专注于分析的$AA{\text -} CBR$（我们称之为$AA{\text -} CBR_{\succeq}$）的正规版本的非单调性。具体来说，我们证明了$AA{\text -} CBR_{\succeq}$是不谨慎单调，经常被认为是可取的在文献中的属性。然后，我们定义了一个变化的$AA{\text -} CBR_{\succeq}$这是谨慎单调。此外，我们证明，这种变化是等效于使用$AA{\text -} CBR_{\succeq}$与一个有限的casebase组成的所有“令人惊讶”和“足够”的情况下，在原来的casebase。作为一个副产品，我们证明了这种变化的$AA{\text -} CBR_{\succeq}$是累积的，合理的单调，并授权的原则性治疗的噪音在“不相干”的情况下。最后，我们说明了$AA{\text -} CBR$和谨慎的单调性问题的案例研究，美国商业秘密领域，法律案例库。
2021-07-13 cs.AI
Advancing Algorithmic Approaches to Probabilistic Argumentation under the Constellation Approach
Institute of Software Technology, Graz University of Technology（格拉茨工业大学软件技术研究所）
本文研究星座方法下概率论证推理的高复杂度问题，区分两类计数任务的复杂度，并提出基于树分解动态规划的完全外延概率计算算法，实验显示其具有应用前景。
2024-07-06 cs.AI
Understanding ProbLog as Probabilistic Argumentation
Imperial College London（伦敦帝国理工学院）；Leipzig University（莱比锡大学）；KU Leuven（鲁汶大学）
本文证明概率逻辑编程语言ProbLog是基于假设基础论证的概率抽象论证的一种实例，从而为ProbLog引入替代语义和论证性解释铺平道路。
2023-08-30 cs.AI
Harnessing Incremental Answer Set Solving for Reasoning in Assumption-Based Argumentation
University of Helsinki（赫尔辛基大学）；Graz University of Technology（格拉茨工业大学）
基于假设的论证（ABA）是一种中心结构化的论证形式。如最近所示，答案集编程（ASP），使有效地解决NP难推理任务的ABA在实践中，特别是在普遍研究的逻辑编程片段的ABA。在这项工作中，我们利用最近的进展，在增量ASP解决开发有效的算法推理任务的逻辑编程片段ABA的多项式层次结构的第二个层次，包括怀疑推理下的首选语义以及优先推理，大概是很难。特别是，我们开发了非平凡的反例指导的抽象细化程序的基础上，增量ASP解决这些任务。我们还表明经验的程序是显着更有效的比以前提出的算法的任务。本文件正在考虑被TPLP接受。
2021-08-09 cs.AI cs.LO
Argumentation-based Agents that Explain their Decisions
Federal University of Technology - Paraná (UTFPR)（巴拉那联邦理工大学）
可解释的人工智能（XAI）系统，包括智能代理，必须能够向与之交互的人类（或其他系统）解释其内部决策、行为和推理。在本文中，我们专注于BDI（信念-欲望-意图）代理的扩展模型如何能够生成关于他们的推理的解释，特别是关于他决定承诺的目标。我们的建议是基于论证理论，我们使用参数来表示的原因，导致代理人作出决定，并使用论证语义来确定可接受的论点（原因）。我们提出了两种类型的解释：部分的和完整的。我们将我们的建议应用于救援机器人的场景。
2020-09-13 cs.AI
A Logic Programming Framework for Possibilistic Argumentation with Vague Knowledge
University of Lleida（莱里达大学）；Universidad Nacional del Sur（南方国立大学）；IIIA – CSIC（西班牙国家研究委员会人工智能研究所）
可废止的论证框架已经发展成为一个健全的设置，从不完整的和潜在的不一致的知识形式化常识，定性推理。可废止逻辑程序设计（DeLP）是一种基于逻辑程序设计扩展的可废止论证形式。虽然DeLP已经成功地集成在许多不同的现实世界的应用程序，DeLP不能处理明确的不确定性，也不与模糊的知识，因为可解除性是直接编码在对象语言。本文介绍了P-DeLP，一种新的逻辑程序设计语言，扩展了原来的DeLP定性推理的能力，将处理可能性的不确定性和模糊知识。这些功能将正式的基础上PGL，可能性逻辑的基础上哥德尔模糊逻辑。
2012-07-11 cs.AI
LLM-based Argument Mining meets Argumentation and Description Logics: a Unified Framework for Reasoning about Debates
Department of Informatics, Modeling, Electronics and System Engineering University of Calabria, Italy（信息学、建模、电子与系统工程系 卡拉布里亚大学）
本文提出一种结合论证挖掘与描述逻辑的统一框架，用于分析辩论的透明、可解释和形式化方法。
2026-03-03 cs.AI
Fudge: A light-weight solver for abstract argumentation based on SAT reductions
University of Koblenz-Landau（科布伦茨-兰道大学）；University of Brescia（布雷西亚大学）；University of Huddersfield（哈德斯菲尔德大学）
我们提出了福吉，一个抽象的论证求解器，紧密结合可满足性求解技术来解决一系列抽象的论证问题。虽然福吉使用的大多数编码都来自标准的翻译方法，但福吉使用了全新的编码来解决怀疑推理问题。优选的语义和问题WRT。理想语义学
2021-09-07 cs.AI
Technical Note: Exploring Σ^P_2 / Π^P_2-hardness for Argumentation Problems with fixed distance to tractable classes
我们研究的复杂性，推理抽象论证框架接近图类，允许有效的推理方法，即\非循环、非偶、二元和对称AF类之一。在这项工作中，我们表明，某些推理问题的多项式层次结构的第二个层次上仍然保持其完整的复杂性时，仅限于固定距离的上述图形类之一的实例。
2012-01-02 cs.AI cs.CC
An Argumentation-based Approach for Explaining Goal Selection in Intelligent Agents
Federal University of Technology - Paraná (UTFPR)（巴拉那联邦理工大学）
在实践推理的第一步，即审议或目标选择，智能代理生成一组可追求的目标，然后选择他承诺实现的目标。可解释的人工智能（XAI）系统，包括智能代理，必须能够解释其内部决策。在目标选择的上下文中，智能体应该能够解释导致他们选择（或不选择）某个目标的推理路径。在这篇文章中，我们使用一种基于论证的方法来生成关于推理路径的解释，此外，我们的目标是用选择过程中出现的冲突以及这些冲突是如何解决的信息来丰富解释。我们提出了两种类型的解释：部分的和完整的一个和一组解释方案，以产生伪自然的解释。最后，我们将我们的建议应用于更清洁的世界场景。
2020-09-14 cs.AI
A Polynomial-time Fragment of Epistemic Probabilistic Argumentation (Technical Report)
University of Osnabrück（奥斯纳布吕克大学）
概率论证允许以概率论有充分依据的方式对论证问题进行推理。然而，在实践中，这种方法可能受到概率是通过增加指数数量的项来定义的事实的严重限制。我们表明，这种指数爆破可以避免在一个有趣的片段的认识概率论证，并已被认为是棘手的一些计算问题，可以解决在多项式时间。我们给出了有效的凸规划公式，这些问题，并探讨我们的片段可以扩展到多远，而不会失去易处理性。
2019-03-06 cs.AI
Facets in Argumentation: A Formal Approach to Argument Significance
Department of Computer and Information Science, Linköping University, Sweden（林雪平大学计算机与信息科学系）；Leibniz Universität Hannover, Germany（汉诺威莱布尼茨大学）；Univ. Artois, CNRS, France（阿诺伊大学）；CSAIL, Massachusetts Institute of Technology, USA（麻省理工学院计算机科学与人工智能实验室）；DICE group, Paderborn University, Germany（波德生大学DICE小组）
该研究针对抽象论证框架中决策与枚举间推理成本高的问题，提出“面（facets）”概念用于刻画论证的重要性，证明其任务复杂度低于外延计数，并通过实验验证了可行性。
2025-05-16 cs.AI
Counting Complexity for Reasoning in Abstract Argumentation
TU Dresden（德累斯顿工业大学）；TU Wien（维也纳工业大学）；University of Potsdam（波茨坦大学）
在本文中，我们考虑计数和投影模型计数的各种语义的抽象论证中的扩展。当要求预测计数时，我们感兴趣的是计算给定论证框架的扩展的数量，而当限制于预测论证时相同的多个扩展仅计为一个预测扩展。当用无向论证图的树宽参数化问题时，我们建立了经典复杂性结果和参数化复杂性结果。为了获得上界计数投影扩展，我们引入了新的算法，利用小树宽的无向论证图的输入实例的动态规划（DP）。我们的算法运行在时间上的两倍或三倍指数的树宽度取决于所考虑的语义。最后，我们考虑指数时间假设（ETH），建立有界树宽算法计数扩展和投影扩展的下界。
2018-11-28 cs.AI cs.LO
Integrating Defeasible Argumentation and Machine Learning Techniques
机器学习（ML）领域关注的是如何构建根据经验自动改进的算法的问题。近年来，许多成功的ML应用程序已经开发，如数据挖掘程序，信息过滤系统等，虽然ML算法允许检测和提取有趣的数据模式的几种问题，这些算法中的大多数是基于定量推理，因为它们依赖于训练数据，以推断所谓的目标函数。在过去的几年中，可废止论证已被证明是一个健全的设置，以形式化常识定性推理。这种方法可以与其他推理技术相结合，例如由机器学习理论提供的那些技术。在本文中，我们概述了不同的替代方案相结合的可废止论证和机器学习技术。我们建议如何不同方面的一个通用的基于参数的框架可以与其他ML为基础的方法。
2004-05-28 cs.AI
Deep Arguing
Department of Computing（计算系）；Imperial College London（帝国理工学院伦敦校区）
本文提出深度辩论方法，结合深度学习与辩论构建与推理，实现多模态数据的可解释分类。通过端到端训练学习特征表示和辩论交互，提升可解释性和预测性能。
2026-05-11 cs.AI
Instantiations and Computational Aspects of Non-Flat Assumption-based Argumentation
University of Helsinki（赫尔辛基大学）；Imperial College London（伦敦帝国理工学院）；Leipzig University（莱比锡大学）；Graz University of Technology（格拉茨工业大学）
针对非平坦假设基论证，提出基于双极论证框架的实例化方法，识别冗余参数并给出两种推理算法，实验表明实例化方法在多数情况下更优。
2024-05-24 cs.AI
Argumentative Human-AI Decision-Making: Toward AI Agents That Reason With Us, Not For Us
New Mexico State University（新墨西哥州立大学）；King's College London（伦敦国王学院）；Imperial College London（伦敦帝国学院）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文探讨论证型人机决策的新范式，结合论证框架挖掘、合成与推理，使AI代理能与人类进行辩证互动，提升高风险领域的人工智能可信度。
2026-03-16 cs.AI
A Concept and Argumentation based Interpretable Model in High Risk Domains
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
在医疗、银行和安全等高风险领域，可解释性已经成为人工智能的一个重要课题。对于常用的表格数据，传统方法仅使用数值和分类数据训练端到端机器学习模型，而没有利用人类可理解的知识，如数据描述。然而，从表格数据中挖掘人类水平的知识并将其用于预测仍然是一个挑战。因此，我们提出了一个基于概念和论证的模型（CAM），它包括以下两个组成部分：一个新的概念挖掘方法，以获得人类可理解的概念和它们之间的关系，从两个描述的功能和底层数据，和一个定量的论证为基础的方法做知识表示和推理。因此，CAM提供基于人类知识的决策，推理过程本质上是可解释的。最后，为了可视化目的的可解释模型，我们提供了一个对话式的解释，其中包含CAM中的主导推理路径。在开源基准数据集和真实商业数据集上的实验结果表明：（1）CAM具有透明性和可解释性，其内部的知识与人类的理解一致;（2）与其他最先进的模型相比，我们的可解释方法可以达到有竞争力的结果。
2022-08-17 cs.AI
Contrastive Explanations in Quantitative Bipolar Argumentation Frameworks
Imperial College London（帝国理工学院）；Cardiff University（卡迪夫大学）
本文针对定量双极论证框架，提出对比归因函数及基于移除、梯度、夏普利值的对比式解释，用于解释两个主题论证的差异，并在医疗、偏见识别场景中验证了其实用性。
2026-09-03 cs.AI
Prioritised Default Logic as Argumentation with Partial Order Default Priorities
我们表示Brewka的优先默认逻辑（PDL）的论证使用ASPIC+。通过将PDL表示为论证并设计一个考虑论证结构的论证偏好关系，我们证明了合理论证的结论对应于PDL扩展。我们将首先假设默认的优先权是总的，然后推广到它是偏序的情况。这提供了一个特征的非单调推理在PDL作为一个交换的论点和反论点，提供了一个基础上的分布式非单调推理的对话形式。
2016-08-25 cs.AI
Grounding Rule-Based Argumentation Using Datalog
Logic Programming and Argumentation Group, TU Dresden, Germany（图灵编程与论证组，德累斯顿理工大学，德国）；Knowledge-Based Systems Group, TU Dresden, Germany（知识系统组，德累斯顿理工大学，德国）；DIMES - University of Calabria, Italy（迪梅斯-卡拉布里亚大学，意大利）
针对ASPIC+框架缺乏一阶规则实例化方案的问题，提出一种智能实例化程序，将一阶ASPIC+实例转换为Datalog程序并简化无关规则，实证评估表明其可扩展性良好。
2025-08-14 cs.AI
Relations between assumption-based approaches in nonmonotonic logic and formal argumentation
Institute of Philosophy II, Ruhr Universität Bochum（波鸿鲁尔大学第二哲学研究所）；Ruhr Universität Bochum（波鸿鲁尔大学）
在本文中，我们作出的贡献，统一的形式模型的可废止推理。我们提出了几个翻译之间的正式论证框架和非单调逻辑推理合理的假设。更具体地说，我们将自适应逻辑转换为基于推理的论证，将ASPIC+、ASPIC+转换为基于推理的论证，将基于推理的论证的一个片段转换为自适应逻辑。自适应逻辑与梅金森的默认假设密切相关，并且与KLM和Shoham的偏好语义传统中的一类重要系统密切相关。因此，我们的研究结果也提供了正式的论证和后者的方法之间的密切联系。
2016-04-01 cs.AI cs.LO
Argument Attribution Explanations in Quantitative Bipolar Argumentation Frameworks (Technical Report)
Imperial College London（帝国理工学院）；Cardiff University（卡迪夫大学）
本文提出论证归因解释（AAEs）理论，将机器学习特征归因思想引入定量双极论证框架，用于度量论证对目标主题论证的影响，并通过假新闻检测和电影推荐两个案例验证其适用性。
2023-08-04 cs.AI
Discussion Graph Semantics of First-Order Logic with Equality for Reasoning about Discussion and Argumentation
Department of Informatics, Kyoto University, Japan（信息学系，京都大学，日本）
本文针对现有AI论证推理缺乏通用形式框架的问题，提出带等词一阶逻辑的讨论图语义，推广Dung外延概念并证明其相关可刻画性结论。
2025-11-13 cs.AI cs.LO
Comparing and extending the use of defeasible argumentation with quantitative data in real-world contexts
Technological University Dublin（都柏林理工大学）
本研究评估可废止论证在非单调推理中的推理能力，与模糊推理和专家系统基线比较，应用于维基百科编辑者信任推断，证明其鲁棒性并公开实现。
2022-06-28 cs.AI
ArgMed-Agents: Explainable Clinical Decision Reasoning with LLM Disscusion via Argumentation Schemes
Hubei University of Technology（湖北工业大学）
本文提出ArgMed-Agents多智能体框架，通过临床讨论论证方案实现LLM的可解释临床决策推理，在提升复杂临床决策准确性的同时为用户提供增强信心的决策解释。
2024-12-28 cs.AI cs.MA cs.SC
