On Strong and Weak Admissibility in Non-Flat Assumption-Based Argumentation
ScaDS.AI, Universität Leipzig(ScaDS.AI,莱比锡大学);Artificial Intelligence Group, University of Hagen(人工智能组,哈根大学);Imperial College London(伦敦帝国理工学院)
本文在非平坦假设型论证中引入强可接受性及相应的首选、完备和基态语义,并将弱可接受性研究从平坦情形扩展到非平坦情形,基于 BSAFs 证明了模块化性质在三种可接受性下均成立,同时分析了新语义的不足及改进方向。
2025-08-15 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
Web-based Argumentation
Nanyang Technological University(南洋理工大学)
基于假设的论证(ABA)是20世纪末提出的一种论证框架。从那时起,仍然没有一个求解器实现在一个程序设计语言,这是很容易设置和没有求解器已经接口到网络上,这妨碍了公众的利益。这个项目的目的是实现一个ABA求解器在一个现代的程序设计语言,表现相当不错,并接口到网络上,更容易访问的公众。该项目展示了ABA求解器开发的新颖性,该求解器在Python程序设计语言中计算无冲突,稳定,可接受,接地,理想和完整的语义,可以通过易于使用的Web界面用于参数和争议树的可视化。进行实验,以确定该项目的最佳配置,并将该项目与最先进的ABA求解器,它没有Web接口,计算的语义数量较少的BADDD进行比较。从实验结果来看,本方案的最佳配置是通过使用“pickle”技术和树缓存技术实现的。使用这个项目的最佳配置,这个项目实现了比Bulldd更低的平均运行时间。在另一方面,该项目遇到了更多的情况下,与异常相比,这可能是由于该项目计算更多的语义,因此需要更多的资源来这样做。因此,可以说,这个项目运行良好,以国家的最先进的ABA求解器Bulldd。未来的工作包括对所实现算法的计算复杂性分析和效率分析、在论证框架中实现更多的语义以及对Web界面进行可用性测试。
2016-12-14 cs.AI
Justifying Answer Sets using Argumentation
Department of Computing Imperial College London(伦敦帝国理工学院计算机系)
答案集是一个普通的文字集,它没有进一步的结构来解释为什么某些文字是它的一部分,为什么其他文字不是。我们展示了如何论证理论可以帮助解释为什么一个文字是或不包含在一个给定的答案集定义两种理由的方法,这两种方法都利用答案集之间的对应关系的逻辑程序和稳定的扩展的假设为基础的论证(ABA)框架构建从同一个逻辑程序。攻击树在论证理论术语中证明文字,即使用它们之间的参数和攻击,而基于ABA的答案集证明在逻辑编程术语中表达相同的证明结构,即使用文字及其关系。有趣的是,基于ABA的答案集证明对应于所讨论的答案集的可接受片段,而攻击树对应于与此答案集对应的稳定扩展的可接受片段。
2014-12-02 cs.AI
Weighted Assumption Based Argumentation to reason about ethical principles and actions
Dept. of Human Studies, University of Salento, Lecce, Italy(人类研究系,萨莱诺大学);Dept. of Informatics, University of Bari ``Aldo Moro'', Via E. Orabona 4, Bari, 70125, Italy(信息系,巴里“阿尔多·莫罗”大学);Centro Interdipartimentale di Logica e Applicazioni (CILA), University of Bari ``Aldo Moro'', Via E. Orabona 4, Bari, 70125, Italy(逻辑与应用跨院系中心(CILA),巴里“阿尔多·莫罗”大学)
本文提出加权假设基于论证框架,通过为论证分配权重并推导攻击权重,用于伦理推理,并基于答案集编程实现。
2025-06-22 cs.AI
Complexity Results and Algorithms for Bipolar Argumentation
Imperial College London(帝国理工学院)
双极论证框架(BAF)允许支持关系的多种解释和语义的不同定义。最近,几类BAF已被捕获为双极假设为基础的论证,一类假设为基础的论证(ABA)的实例。在本文中,我们建立了双极ABA的复杂性,因此,几类BAF。除了标准的五个复杂性问题,我们还分析了很少解决的扩展枚举问题。我们还提出回溯驱动的算法枚举扩展的双极ABA框架,因此BAF在几种解释。我们证明了我们的算法的合理性和完整性,描述了它们的实现,并提供了一个可扩展性评估。因此,我们有助于研究尚未调查的复杂性问题(不同的解释)BAF以及双极ABA,并提供其缺乏实施。
2019-03-05 cs.AI cs.CC
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
Constrained Assumption-Based Argumentation Frameworks
University of Chieti - Pescara(基耶蒂-佩斯卡拉大学);University of `Tor Vergata'(托尔维加塔大学)
本文提出一种新的约束假设论证框架(CABA),允许包含受限变量的论证和攻击,扩展了传统假设论证的表达能力。
2026-04-13 cs.AI cs.LO
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
The Effect of Preferences in Abstract Argumentation Under a Claim-Centric View
TU Wien(维也纳工业大学)
本文从主张中心的角度研究了偏好对抽象论证的影响。最近的工作表明,语义和计算属性可以改变时,推理是在索赔级别,而不是在参数级别,而在某些自然的限制(参数具有相同的索赔有相同的外向攻击),这些属性是保守的。我们现在研究这些影响时,此外,偏好必须考虑,并考虑四个突出的减少,以处理参数之间的偏好。正如我们将看到的,这些约简产生了不同类别的主张增强论证框架,并且在语义属性和计算复杂性方面表现不同。这加强了这样一种观点,即必须谨慎对待处理优惠的实际选择。
2022-04-28 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
Formulating Manipulable Argumentation with Intra-/Inter-Agent Preferences
Nagoya Institute of Technology(名古屋工业大学)
从市场营销到政治,通过选择性的争论交流来利用不完整信息的现象无处不在。在这项工作中,我们专注于开发一个可操纵的多智能体论证,其中每个代理可能会传输欺骗性的信息给他人的战术动机的论证理论模型。特别是,我们研究了认知状态的表征,以及它们在欺骗/诚实检测和(错误)建立信任中的作用。为此,我们建议使用内部代理的偏好来处理欺骗/诚实检测和代理间的偏好,以确定哪个代理(S)相信更多。我们展示了如何欺骗/诚实的代理人的论证,如果检测到,将改变代理人的感知可信度,以及如何可能会影响他们的判断,哪些参数应该是可以接受的。
2019-09-15 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
On the Existence of an Inverse Solution for Preference-Based Reductions in Argumentation
CRIL - Université d’Artois, CNRS(CRIL - 阿尔多伊斯大学,法国国家科学研究中心);Universite Claude Bernard Lyon 1, CNRS, Ecole Centrale de Lyon, INSA Lyon, Université Lumière Lyon 2, LIRIS, UMR5205(克莱尔伯恩大学 Lyon 1,法国国家科学研究中心,里昂中央理工学院,里昂国家理工学院,里昂二大学,LIRIS,UMR5205);University of Aberdeen(阿伯丁大学)
本文研究了偏好基于论证框架的反问题,探讨了在完整语义下四种常用偏好缩减方法中,如何通过偏好关系生成指定标签的问题,并证明大多数情况下可在多项式时间内解决。
2026-04-24 cs.AI
An Extension-based Approach for Computing and Verifying Preferences in Abstract Argumentation
School of Computing and Engineering, University of Huddersfield(哈德斯菲尔德大学计算与工程学院);Department of Computing Science, University of Aberdeen(阿伯丁大学计算科学系)
本文提出一种基于扩展的方法和算法,在抽象论辩框架评估阶段后穷举计算并验证论证偏好,解决了标准推理的逆问题,并分析了计算复杂度及近似算法。
2024-03-26 cs.AI
A General Account of Argumentation with Preferences
King’s College London(伦敦国王学院);Utrecht University(乌得勒支大学);University of Groningen(格罗宁根大学)
本文建立在最近的ASPIC+形式主义,开发一个一般的框架与偏好的论证。我们激励修改后的定义的冲突自由集的参数,适应ASPIC+,以适应更广泛的实例化逻辑,并表明,在某些假设下,所得到的框架满足关键属性和合理性假设。然后,我们表明,广义框架,可容纳塔斯基逻辑实例扩展的偏好,然后研究实例的框架,通过经典的逻辑方法来论证。最后,我们认为,ASPIC+的建模的可废止的推理规则进一步证明了框架的一般性,然后检查和反击最近的批评Dung的框架及其扩展,以适应偏好。
2018-04-18 cs.AI
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach
Department of Computing(计算系);Imperial College London(帝国理工学院伦敦分校)
本文提出利用大语言模型作为不完美的专家,结合语义结构先验和条件独立性证据,实现因果发现的先进方法。
2026-08-12 cs.AI
From User Preferences to Base Score Extraction Functions in Gradual Argumentation (with Appendix)
King's College London(伦敦国王学院);Imperial College London(伦敦帝国学院)
本文提出基础分数提取函数,通过用户对论证的偏好映射到基础分数,构建定量双极论证框架,以提升渐进论证的计算工具应用,并探讨其设计与实验评估。
2026-05-14 cs.AI
Learning Assumption-based Argumentation Frameworks
IASI-CNR(意大利国家研究委员会智能系统与自动化研究所);Imperial College London(帝国理工学院)
本文提出从正负例和背景知识中学习基于假设的论证框架的新方法,将例外解释为底切攻击,并通过变换规则支持分层与非分层框架的学习,能简洁自然地解决现有技术难以处理的问题。
2023-05-25 cs.AI
Some Results about the Expressivity of Preference-Incomplete Structured Argumentation Frameworks
University of Málaga(马拉加大学)
本文通过比较ASPIC$^+$论证框架与多种具有不确定击败的抽象形式主义,研究了不确定偏好配置的表达能力,主要得到负面结果,并推测了一个非平凡的正向阈值。
2026-06-23 cs.AI cs.LO
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
Aggregating Bipolar Opinions (With Appendix)
Imperial College London(帝国理工学院);Universite d’Evry(埃夫里大学)
我们介绍了一种新的方法来聚合双极论证(BA)框架表达意见的不同方在辩论。我们使用基于双极假设的论证(ABA)作为一个包罗万象的形式主义BA在不同的语义。通过利用最近的社会选择理论的判断聚合的结果,我们证明了一些保存结果,积极和消极的,双极ABA的相关属性。
2021-02-04 cs.AI cs.MA
Learning Brave Assumption-Based Argumentation Frameworks via ASP
CNR-IASI(意大利国家研究委员会信息系统与信息学研究所);Imperial(帝国理工学院)
本文研究从背景知识和正负示例中自动化学习假设式论证框架,提出基于转换规则和答案集编程的勇敢推理算法,并与最先进的ILP系统比较。
2024-11-08 cs.AI cs.LG cs.LO
ABA Learning via ASP
IASI-CNR(意大利国家研究委员会系统分析与信息研究所);Imperial College London(伦敦帝国学院)
本文提出利用回答集编程实现ABA学习的新方法,以指导机械学习和泛化,从背景知识和示例中推导论证框架。
2023-08-30 cs.AI cs.LO
Multi-User Personalisation in Human-Robot Interaction: Resolving Preference Conflicts Using Gradual Argumentation
Institut de Robòtica i Informàtica Industrial(机器人与信息技术研究所);CSIC-UPC(西班牙国家科研学院-巴塞罗那理工大学);Institut d’Investigació en Intel·ligència Artificial(人工智能研究所);IIIA-CSIC(人工智能研究所-西班牙国家科研学院)
本文提出MUP-QBAF框架,通过渐进论证解决多用户人机交互中的偏好冲突,提供透明且情境敏感的冲突解决方法。
2026-01-12 cs.AI cs.RO
Analytical Solutions for the Inverse Problem within Gradual Semantics
University of Aberdeen(阿伯丁大学);Univ. Artois(阿图瓦大学);CRIL(朗斯计算机科学研究所)
抽象论证中的渐进语义将系统中的每个论证与数字得分相关联,该得分表示该论证的可接受程度,并且可以从中导出对论证的偏好排序。虽然一些语义在标准论证框架上操作,但许多语义利用加权框架,其中数值初始权重与每个论点相关联。最近的工作已经研究了渐进语义中的逆问题。而不是确定一个参数的论证框架和语义的偏好排序,逆问题的论证框架,一个渐进的语义,和偏好排序作为输入,并确定需要什么样的权重,在框架中的参数,以获得所需的偏好排序。现有的工作已经攻击的逆问题数值,使用寻根算法(二分法),以确定适当的初始权重。在本文中,我们证明了一类渐进语义,分析方法可以用来解决逆问题。与当前最先进的分析方法不同,这种分析方法可以快速找到解决方案,并保证这样做。在获得这个结果时,我们能够证明以前的工作作为证明的几个重要性质。
2022-03-02 cs.AI
Contestability in Quantitative Argumentation
Department of Computing, Imperial College London, UK(帝国理工学院计算系);School of Computer Science and Informatics, Cardiff University, UK(卡迪夫大学计算机科学与信息学学院);Department of Computing Science, Umeå University, Sweden(乌梅大学计算科学系)
本文研究EW-QBAFs在可争议AI中的应用,提出可争议性问题及基于梯度的关系归因解释(G-RAEs),并开发迭代算法调整边权重以实现目标论证的期望强度,实验证明该方法在合成框架上有效。
2025-07-15 cs.AI
Assumption-Based Approaches to Reasoning with Priorities
Ruhr Universität Bochum(波鸿鲁尔大学)
本文通过对严格规则和可撤销假设下的论证中偏好处理方法的翻译,揭示了它们之间的关系。我们比较的系统是:非优先级的失败,即攻击,基于偏好的失败,以及基于偏好的失败与反向失败的扩展。
2017-09-29 cs.AI
Aggregation in Value-Based Argumentation Frameworks
University of Warwick(华威大学);University of Toulouse(图卢兹大学)
基于值的论证增强了经典的抽象论证图-其中参数被建模为由称为攻击的有向箭头连接的节点-参数上的标签(称为值)和值上的排序(称为受众),以提供攻击关系的更细粒度的理由。由于不止一个代理人面临这样的论证问题,代理人的价值排序可能会有所不同。当需要达到一个集体的观点,这样的代理人面临着两个同样合理的方法之间的困境:聚合他们的意见在价值观的水平,或聚合他们的攻击关系,因此保持在图的水平。我们探讨了这两种方法的优势和局限性,采用技术从偏好聚合和图聚合,并提出了第三种可能性聚合排名从给定的攻击关系。
2019-07-22 cs.AI cs.LO cs.MA
Context-aware feature attribution through argumentation
Paris-Dauphine University, PSL Research University, CNRS UMR 7243, LAMSADE(巴黎第九大学,PSL研究大学,法国国家科学研究中心UMR 7243,LAMSADE)
本文提出CA-FATA框架,将特征视为论点并形式化为论辩过程,结合用户上下文实现内在可解释且更准确的特征归因。
2023-10-24 cs.AI cs.IR cs.LG
Evaluation of Alternative-Based Information Systems for Deliberative Polling using an Agentic Simulator
Florida Institute of Technology(佛罗里达理工学院);Princess Nourah Bint Abdulrahman(纳厄赫·阿卜杜勒拉赫曼公主);Free University of Bozen-Bozano(博兹诺-博萨诺自由大学)
提出基于LLM的智能体双极论证模拟器(ABAS),通过覆盖率和语料多样性评估审议式投票中推荐机制的有效性,并测试了对抗性投票攻击下的鲁棒性。
2026-06-16 cs.AI cs.CY cs.MA