Implementing Ranking-Based Semantics in ConArg: a Preliminary Report
University of Perugia（佩鲁贾大学）；Gran Sasso Science Institute（格兰萨索科学研究所）
本研究在工具套件ConArg中实现了基于Shapley、Banzhaf等四种计算选择权力指数的排序语义，将计算社会选择的性质迁移至抽象论证框架的论证排序场景，为论证问题处理提供了新的语义支持工具。
2019-08-27 cs.AI
On the Graded Acceptability of Arguments in Abstract and Instantiated Argumentation
University of Groningen（格罗宁根大学）；King's College London（伦敦国王学院）
本文开发了一个正式的理论的程度的理由的论点，这完全依赖于一个论证框架的结构，并可以成功地接口的方法，以实例化的论证。该理论分三步发展。首先，本文介绍了分级概括的两个关键概念的基础Dung的语义：自卫和无冲突。这导致了Dung语义的自然泛化，标准扩展根据它们满足的自卫和无冲突水平而被削弱或加强。本文研究了这些语义的不动点理论，建立了它们的存在性结果。其次，本文展示了如何分级语义很容易提供一种方法，参数排名，提供了一个新的贡献，最近不断增长的研究计划排名为基础的语义。第三，这种新的方法，以参数排名的应用和研究的背景下，实例化的论证框架，并在这样做是占一个简单的形式的累算的参数内的粪范式。最后，该理论与现有的方法进行了详细的比较。
2018-11-08 cs.AI
Argumentation-Based Explainability for Legal AI: Comparative and Regulatory Perspectives
本文探讨了法律AI的不透明性问题，提倡利用论证框架提供符合GDPR和AIA等监管要求的法律解释，并论证其在满足法律领域技术与规范双重透明度需求上的独特优势。
2025-10-13 cs.AI
Stratified Labelings for Abstract Argumentation
University of Koblenz（科布伦茨大学）；TU Dortmund（多特蒙德工业大学）
我们引入分层标签作为一种新的语义方法抽象的论证框架。与标准标签相比，分层标签提供了一个更细粒度的评估参数的争议性使用排名，而不是通常的标签，在，出，和未定。我们涉及的框架分层标签的条件逻辑，特别是系统Z的排名功能。
2013-08-04 cs.AI
Use of Rapid Probabilistic Argumentation for Ranking on Large Complex Networks
Bogazici University（博阿齐奇大学）
我们介绍了一个家庭的新的排名算法称为ERank运行在线性/接近线性的时间，并建立在明确建模的网络作为不确定的证据。该模型使用概率论和命题逻辑相结合的概率论证系统（PAS），也是Dempster-Shafer证据理论的一个特例。ERank快速生成NP完全问题的近似结果，使该技术能够在大型网络中使用。我们使用以前介绍的PAS模型的引文网络推广到所有的网络。我们提出了一个统计测试，用于比较不同的排名算法的性能的基础上聚类有效性测试。我们在真实网络上使用该测试进行的实验表明，与PageRank、贴近度和中间度等知名算法相比，ERank具有最佳性能。
2008-02-22 cs.AI cs.IR
Expressivity Results for Structured Argumentation Frameworks with Uncertain Rules and Premises
Consiglio Nazionale delle Ricerche（意大利国家研究委员会）
本文研究了结构化论证框架中不确定规则和前提的表达性，比较了抽象和结构化模型的表达性，提出了正负向的表达性结果。
2026-10-26 cs.AI cs.LO
On the Complexity of the Discussion-based Semantics in Abstract Argumentation
University of Hagen（汉诺威大学）；University of Luxembourg（卢森堡大学）
本文研究了讨论语义下论证强度判定的复杂性，证明其在多项式时间内可解，并通过自动机理论将问题转化为半环自动机的等价性问题。
2026-04-20 cs.AI
Algorithms and Complexity Results for Persuasive Argumentation
CNRS（法国国家科学研究中心）；LIRMM（蒙彼利埃信息、机器人与微电子实验室）；Vienna University of Technology（维也纳工业大学）
Dung（人工智能177，1995）提出的对作为抽象实体的论证及其相互作用的研究已经成为人工智能和推理领域中最活跃的研究分支之一。抽象论证系统的一个主要问题是选择可接受的参数集。基于价值的论证，如Bench-Capon（J. Logic Comput. 13，2003），扩展了Dung的框架。它考虑了相对于代表观众的排名的论点的相对强度：如果一个论点被一些观众接受，那么它是主观接受的，如果它被所有观众接受，那么它是客观接受的。判断一个论点是否被主观或客观地接受，分别是计算上难以解决的问题。事实上，这些问题在结构限制下仍然是棘手的，这些结构限制使得非基于值的论证系统的主要计算问题变得易于处理。在本文中，我们确定非平凡类的价值为基础的论证系统的接受问题是多项式时间听话。这些类是根据基于值的系统的底层图形结构通过结构限制来定义的。此外，我们表明，接受问题是棘手的两类价值为基础的系统，其中证明是由邓恩（人工智能171，2007）。
2011-04-21 cs.AI
Some Supplementaries to The Counting Semantics for Abstract Argumentation
Tsinghua University（清华大学）
Dung的抽象论证框架由一组相互作用的论证和一系列用于评估它们的语义组成。这些语义将参数集的幂集划分为两类：扩展和非扩展。为了用特定的语义进行推理，需要采取轻信或怀疑的方法，即一个论点最终被接受，如果它分别在一个或所有扩展中被接受。在我们以前的工作\cite{ref-pu2015counting}中，我们提出了一种新的语义，称为\emph{counting semantics}，它允许一个更细粒度的评估参数，通过统计各自的攻击者和防御者的数量的基础上的参数图和参数游戏。在本文中，我们继续我们以前的工作，提出了一些关于如何选择计数语义的破坏性因素，以及与一些现有的方法，如Dung的经典语义学，一般渐进赋值的关系。最后，一个公理化的角度对排名语义诱导我们的计数语义。
2015-09-11 cs.AI
Enhancing Conflict Resolution in Language Models via Abstract Argumentation
School of Philosophy, Zhejiang University（浙江大学哲学系）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；The State Key Lab of Brain-Machine Intelligence（脑机智能国家重点实验室）
针对大语言模型难以处理信息不完整/不一致引发冲突的问题，本文结合抽象论证框架构建带计算过程解释的数据集微调模型，提升了冲突解决泛化准确率与模型透明度。
2025-11-13 cs.AI
Allocate Marginal Reviews to Borderline Papers Using LLM Comparative Ranking
Stanford University（斯坦福大学）
本文提出利用LLM比较排名技术，在人类评审前识别边缘论文并分配额外评审资源，以提高评审效率和决策准确性。
2026-02-04 cs.AI cs.DL cs.LG
A Comparative Study of Some Central Notions of ASPIC+ and DeLP
Universidad Nacional del Sur（南方国立大学）；Utrecht University（乌得勒支大学）；University of Groningen（格罗宁根大学）
本文正式比较了一些中心概念，从两个著名的基于规则的论证，DeLP和ASPIC+的形式化。比较特别集中在直观的充分性和互译性，一致性和封闭性。至于论证和攻击定义的差异，事实证明，DeLP的定义直观上很吸引人，但它们可能不完全符合Caminada和Amgoud的严格封闭和间接一致性的合理性假设。对于某些特殊情况，DeLP定义比ASPIC+更好。接下来，有人认为，有理由考虑一个变体的DeLP与接地语义，因为在某些例子中，其目前的概念，权证可以说有违反直觉的后果，并可能导致集的保证参数是不可接受的。最后，在ASPIC+参数的最小性和一致性假设下，ASPIC+参数和DeLP参数之间的一对多对应关系被确定为这样一种方式，即如果DeLP验证过程被改变为接地语义，则DeLP的正当性概念和ASPIC+的正当性概念是等价的。这一结果被证明为三种不同的攻击定义。
2019-09-11 cs.AI
Rendering Transparency to Ranking in Educational Assessment via Bayesian Comparative Judgement
Bath Spa University（巴斯泉大学）；Swansea University（斯旺西大学）；University of Glasgow（格拉斯哥大学）
针对教育评估中比较判断的不透明问题，提出整合先验信息的贝叶斯比较判断方法，通过量化不确定性、支持多准则评估提升排名透明度，并结合真实数据集与从业者调研验证了其在教育场景的应用价值。
2025-03-17 cs.AI cs.CY cs.HC
Precise Zero-Shot Pointwise Ranking with LLMs through Post-Aggregated Global Context Information
National University of Defense Technology（国防科技大学）
针对大语言模型零样本逐点文档排序忽略文档间比较导致性能欠佳的问题，提出GCCP策略与PAGC后聚合方法，在保持效率的同时显著提升排序性能，效果可与高成本比较类方法媲美。
2025-06-12 cs.AI cs.IR
Generalised Probabilistic Modelling and Improved Uncertainty Estimation in Comparative LLM-as-a-judge
Engineering Department University of Cambridge UK（剑桥大学工程系）
该研究拓展了比较式LLM-as-a-judge的概率建模框架，提出改进的单次比较与整体排序不确定性估计方法，结合绝对与比较评分提升性能，实验显示可减少约50%的比较次数。
2025-05-21 cs.AI cs.LG stat.ML
Process Reward Model with Q-Value Rankings
Huazhong University of Science and Technology（华中科技大学）；University of the Wisconsin-Madison（威斯康星大学麦迪逊分校）
针对现有过程奖励建模（PRM）方法存在的次优奖励分布及步骤依赖问题，提出过程Q值模型（PQM），通过马尔可夫决策过程框架及对比损失优化Q值排序，实证显示其在多场景下优于分类PRM。
2025-02-11 cs.AI cs.CL
Identification of Regulatory Requirements Relevant to Business Processes: A Comparative Study on Generative AI, Embedding-based Ranking, Crowd and Expert-driven Methods
Technical University of Munich（慕尼黑工业大学）；University of Queensland（昆士兰大学）
本研究针对识别业务流程相关监管要求的人工成本高的问题，比较了基于嵌入的NLP排序、GPT-4生成式AI、众包与专家纯手动四种方法在两个真实案例中的表现，为不同场景下选择最优方法组合提供了指导原则。
2024-01-02 cs.AI cs.CL
Comparative Explanations of Recommendations
University of Virginia（弗吉尼亚大学）；Alibaba Group（阿里巴巴集团）
由于推荐本质上是一个比较（或排名）过程，因此一个好的解释应该向用户说明为什么一个项目被认为比另一个项目更好，即，对推荐项目的比较说明。理想情况下，在阅读解释后，用户应该达到与系统相同的项目排名。不幸的是，很少有研究注意到这种比较的解释。在这项工作中，我们开发了一个提取和细化架构来解释一组排名项目从推荐系统之间的相对比较。对于每个推荐项目，我们首先从相关评论中提取一个句子，最适合与一组参考项目进行所需的比较。然后，通过生成模型将该提取的句子进一步与目标用户相连接，以更好地解释为什么推荐该项目。我们设计了一个新的解释质量指标的基础上BLEU指导提取和细化组件的端到端的训练，这避免了通用内容的生成。对两个大型推荐基准数据集和一系列最先进的可解释推荐算法的认真用户研究的广泛离线评估表明了比较解释的必要性和我们解决方案的有效性。
2022-04-25 cs.AI cs.CL cs.IR
A comparative study on feature selection for a risk prediction model for colorectal cancer
Catalan Institute of Oncology-IDIBELL（加泰罗尼亚肿瘤研究所-IDIBELL）；University of Barcelona（巴塞罗那大学）；Public Health Division, Department of Health of Madrid（马德里卫生部公共卫生司）
本研究比较多种特征选择算法对结直肠癌风险预测模型性能与稳定性的影响，发现SVM包装器与皮尔逊方法最优，并提出了可视化稳定性评估方法。
2024-02-07 cs.AI cs.LG
The Ranking Blind Spot: Decision Hijacking in LLM-based Text Ranking
Northeastern University（东北大学）；Oregon State University（俄勒冈州立大学）；University of Macau（澳门大学）
本文揭示了LLM文本排序中的“排名盲点”，提出决策目标劫持和决策标准劫持两种攻击方法，实证表明其可迫使排序器偏好特定段落，且更强的LLM更易受攻击。
2025-09-23 cs.AI cs.IR
Evaluating LLMs When They Do Not Know the Answer: Statistical Evaluation of Mathematical Reasoning via Comparative Signals
Rutgers University（罗格斯大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出一种统计高效的方法，通过结合标准结果与成对比较信号，提升LLM数学推理能力评估的准确性和稳定性。
2026-07-21 cs.AI cs.LG math.ST
Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals
University of Colorado Boulder（科罗拉多大学博尔德分校）；Tel Aviv University（特拉维夫大学）
该研究针对推荐系统解释多聚焦单个项目的问题，提出挖掘用户资料的成对反事实解释任务，基于反事实学习挖掘促成项目相对排名的用户资料项目，为比较性解释提供依据。
2026-08-25 cs.AI cs.IR
PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework in E-commerce
Meituan（美团）
重排序是一种通过对项目之间的相互影响进行建模来重新排列排名列表，以更好地满足用户需求的方法，越来越受到学术界和行业的关注。现有的重排序方法直接以初始排序列表为输入，通过设计良好的上下文模型生成最优排列，这就带来了重排序前的评估问题。同时，评估所有候选排列在实践中带来了不可接受的计算成本。因此，为了更好地平衡效率和效果，在线系统通常使用两阶段架构，该架构首先使用一些探试法（例如波束搜索）来产生合适数量的候选排列，然后将其馈送到评估模型以获得最优排列。然而，这两个阶段的现有方法可以通过以下方面进行改进。对于生成阶段，探试法只使用逐点预测得分，缺乏有效的判断。在评估阶段，现有的上下文评估模型大多只考虑项目上下文，缺乏更细粒度的特征上下文建模。本文提出了一种新的端到端重排序框架PIER，以解决上述挑战，仍然遵循两个阶段的架构，并包含两个主要模块FPSM和OCPM。我们应用SimHash在FPSM中选择前K个候选人从全排列的基础上用户的排列级别的兴趣，在一个有效的方式。然后，我们设计了一种新的全方位的注意力机制在OCPM捕获的上下文信息的排列。最后，我们通过引入比较学习损失来联合训练这两个模块。离线实验结果表明，PIER在公共数据集和行业数据集上的性能优于基线模型，并且我们已经成功地将PIER部署在美团外卖平台上。
2023-02-06 cs.AI cs.IR
Semantic Candidate-Job Matching: A Comparative Evaluation of Dense Embedding Models in Hybrid Retrieval
ManpowerGroup Services India Pvt. Ltd.（万宝盛华服务印度私人有限公司）；Indian Institute of Technology, Hyderabad（印度理工学院海得拉巴分校）
本文在混合检索流水线中比较稠密嵌入模型（EmbeddingGemma及MNRL微调版与MPNet），用于职位-候选人匹配，通过批量评估和明确指标范围提供可复现的模型选择依据。
2026-09-22 cs.AI cs.IR
Iterative Hierarchy and Ranking Process (IHRP): A Novel Effective Hierarchy Method for Densely Connected Systems and Case Study in Student Performance Assessment
本文提出迭代层次与排序过程（IHRP），用于密集系统中因素层次构建与重要性排序，通过案例研究证明其优于传统ISM方法，相关性达85%-95%。
2024-02-03 cs.AI cs.MA
