Satisfying Rationality Postulates of Structured Argumentation Through Deductive Support -- Technical Report
secunet Security Networks AG（secunet安全网络AG）；TU Dresden（德累斯顿技术大学）
本文提出Deductive ASPIC$^{\ominus}$框架，结合ASPIC$^{\ominus}$的gen-rebuttals与Deductive ASPIC$-$的JSBAFs，满足五个理性公理。
2026-04-23 cs.AI cs.LO
An Implementation, Empirical Evaluation and Proposed Improvement for Bidirectional Splitting Method for Argumentation Frameworks under Stable Semantics
Nanjing University（南京大学）；State Key Laboratory for Novel Software Technology at Nanjing University（南京大学计算机软件新技术国家重点实验室）
抽象论证框架是一种形式化的系统，它可以帮助人们从非单调的知识系统中获得结论。在这样一个系统中，论证语义被定义为一组具有某些期望性质的论证，例如，元素之间不冲突。对论证框架进行分割可以有效地加快论证语义的计算速度。关于稳定语义，已经提出了两种方法来以单向或双向的方式分割论证框架。双向分裂的优点是它不依赖于结构，并且与单向分裂不同，它可以用于由单个强连接组件组成的框架。双向分割使用最小切割。在本文中，我们实现和测试的性能的双向分裂方法，以及两种类型的图切割算法。实验数据表明，在大多数情况下，使用最小割不会提高计算稳定语义的性能。因此，我们建议使用平衡切割，而不是最小切割，其中框架被分成两个大小相等的子框架。实验结果表明，使用平衡割进行双向分裂的计算语义的性能显着改善。
2018-08-11 cs.AI
Empirical Evaluation of Abstract Argumentation: Supporting the Need for Bipolar and Probabilistic Approaches
University College London（伦敦大学学院）
在对话论证中，人们通常假设参与者总是正确地识别彼此提出的意图陈述，认识到所有的关联关系，符合三种可接受状态（接受、拒绝和未决定），当新的和正确的信息进入时调整他们的观点，一个只处理攻击关系的框架足以代表他们的观点。虽然将这些假设作为进一步研究的起点是很自然的，但删除它们甚至承认这种删除应该发生对其中一些概念来说比其他概念更具挑战性。概率论证是可以用来进行更准确的用户建模的方法之一。认识论的方法允许我们表示一个给定的论点被一个给定的人相信多少，为我们提供了表达不仅仅是三个同意状态的可能性。它配备了广泛的假设，包括那些不对如何看待初始论点进行任何限制的假设，因此与Dung的语义学相比，它可能更适合于处理那些没有完全公开自己观点的人的信念。星座方法可以用来代表不同的人对我们正在处理的框架结构的看法，包括并非所有关系都得到承认或与预期不同的情况。最后，双极论证框架可以用来表达论证之间的积极和消极关系。在本文中，我们描述了一个实验的结果，参与者判断对话的协议和结构。我们比较我们的研究结果与上述假设，以及与星座和认知的概率论证和两极论证的方法。
2017-12-08 cs.AI
Forecasting Argumentation Frameworks
Imperial College London（帝国理工学院）
我们介绍预测论证框架（FAF），一种新的基于论证的预测方法，最近的判断预测研究。FAF包括更新框架，该框架使（人类或人工）代理能够随着时间的推移争论结果的概率，例如政治选举的获胜者或通货膨胀率的波动，同时标记代理行为中的感知到的非理性，以提高其预测准确性。FAF包括五种论证类型，相当于标准的赞成/反对论证，如在双极论证中，以及新颖的提议论证和增加/减少修正论证。我们适应现有的渐进语义的两极论证，以确定聚合的辩证强度的建议参数和定义非理性行为。然后，我们给出了一个简单的聚合函数，它产生一个最终的群体预测从理性代理的个人预测。我们识别和研究FAF的属性，并进行实证评估，表明FAF有潜力提高参与者的预测准确性。
2022-05-23 cs.AI
Design and Results of the Second International Competition on Computational Models of Argumentation
TU Dresden（德累斯顿工业大学）；TU Wien（维也纳工业大学）；Università di Genova（热那亚大学）
论证是人工智能研究的一个重要课题。自2015年第一版以来，解决（抽象）论证框架的进步在竞赛活动中进行评估，类似于其他密切相关的问题解决技术。在本文中，我们报告了第二届国际辩论计算模型竞赛的设计和结果，该竞赛由德累斯顿工业大学（德国），维也纳工业大学（奥地利）和热那亚大学（意大利）联合举办，隶属于2017年国际研讨会的理论和应用的形式论证。第二版保留了第一个事件中的一些设计选择，例如I/O格式，基本推理问题以及任务和轨道的组织。与此同时，它引入了显著的新颖性，例如三个额外的突出语义，以及根据其经验硬度对实例进行分类的实例选择阶段。
2019-09-02 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
Argumentation Models for Cyber Attribution
Arizona State University（亚利桑那州立大学）；Inst. for CS and Eng. (CONICET–UNS)（计算机科学与工程研究所（CONICET–UNS））；Trail of Bits, Inc.（Trail of Bits 公司）
网络威胁分析的一个主要挑战是将来自不同来源的信息结合起来，找出应对网络攻击负责的个人或团体。这是网络安全领域最重要的技术和政策挑战之一。缺乏对袭击负责的个人的地面真相限制了以前的研究。在本文中，我们采取了第一步克服这一限制，建立一个数据集，从捕获的标志事件举行DEFCON，并提出了一个论证模型的基础上正式的推理框架称为DeLP（可废止逻辑编程），旨在帮助分析师归因于网络攻击。我们从潜在变量建立模型，以减少罪犯（攻击者）的搜索空间，并表明这种减少显着提高了基于分类的方法在识别攻击者的性能从37%到62%。
2016-07-07 cs.AI
The Inverse Problem for Argumentation Gradual Semantics
University of Aberdeen（阿伯丁大学）；CRIL（逻辑与推理研究中心）
渐进语义与抽象论证为每个论点提供一个分数，反映其可接受性，即它被其他论点攻击的程度。许多不同的渐进语义学已经在文献中提出，每个遵循不同的原则，并产生不同的论点排名。这种语义的一个子类，即所谓的加权语义，除了图结构之外，还将参数的初始权重集作为输入，这些权重影响结果参数的排名。在这项工作中，我们考虑这样的加权语义的逆问题。也就是说，给定一个论证框架和一个期望的论证排名，我们问是否存在初始权重，使得特定的语义产生给定的排名。本文的贡献是：（1）一个算法来回答这个问题，（2）一个渐进的语义必须满足的算法操作的特性的表征，和（3）所提出的算法的经验评估。
2022-02-01 cs.AI
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
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
A Unifying Framework for Learning Argumentation Semantics
Imperial College London（伦敦帝国学院）；University College London（伦敦大学学院）；University of Verona（维罗纳大学）；ILASP Limited（ILASP有限公司）
本文提出一个基于归纳逻辑编程的统一框架，以可解释方式学习多种论证框架的可接受性语义，并在实证评估中优于现有论证求解器。
2025-03-04 cs.AI cs.LG
Rejection in Abstract Argumentation: Harder Than Acceptance?
Massachusetts Institute of Technology（麻省理工学院）
本文提出拒绝条件（RCs）用于抽象论辩框架，将每个论证关联逻辑程序，分析其计算复杂性（含树宽），发现拒绝AFs具有高表达性，导致多项式层次较高层级的问题。
2024-08-20 cs.AI cs.CC cs.LO
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
An Argumentation-Based Framework to Address the Attribution Problem in Cyber-Warfare
U.S. Military Academy（美国军事学院）；University of Oxford（牛津大学）；University of Liverpool（利物浦大学）；CONICET（国家科学和技术研究委员会）
通过使用多项技术证据（即，恶意软件逆向工程和源跟踪）和常规情报源（即，人或信号情报）是一个困难的问题，这不仅是因为需要努力获得证据，而且对手可以轻易地植入虚假证据。在本文中，我们介绍了一个正式的推理系统称为InCA（智能网络归因）框架，旨在帮助分析师在网络操作的归属，即使当可用的信息是冲突和/或不确定的。我们的方法结合了基于论证的推理，逻辑编程和概率模型，不仅属性的操作，但也解释了分析师为什么系统达到其结论。
2014-04-27 cs.AI cs.CR 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
Polynomial-time Updates of Epistemic States in a Fragment of Probabilistic Epistemic Argumentation (Technical Report)
University of Osnabrück（奥斯纳布吕克大学）；Cardiff University（卡迪夫大学）；University College London（伦敦大学学院）
概率认识论论证允许以概率论为基础的方式对论证问题进行推理。认知状态由可能世界上的概率函数表示，并且可以使用更新算子调整到新的信念。虽然概率函数的使用为这种方法提供了坚实的基础，但它也带来了计算挑战，因为要处理的数据量以指数方式取决于参数的数量。这导致了应用中的瓶颈，例如为说服对话建模对手的信念。我们展示了如何更新运营商的概率函数可以与更新运营商更紧凑的表示，允许多项式时间更新。我们讨论了这种方法的认知和概率逻辑的可行性，并证明了它在计算说服的适用性。
2019-06-12 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
Proceedings 37th International Conference on Logic Programming (Technical Communications)
ICLP是展示逻辑编程研究的首要国际活动。对ICLP 2021的贡献是在逻辑编程的所有领域，包括但不限于：基础：语义学，形式主义，非单调推理，知识表示。语文问题：并发，对象，协调，移动性，高阶，类型，模式，断言，模块，元编程，基于逻辑的特定领域语言，编程技术。编程支持：程序分析、转换、验证、验证、分析、测试、执行可视化。实施情况：编译、虚拟机、存储管理、并行和分布式执行、约束处理规则、制表、外部接口、用户界面。相关范例和协同作用：归纳和共归纳逻辑编程，约束逻辑编程，答案集编程，与SAT，SMT和CSP求解器的交互，定理证明，论证，概率编程，机器学习。应用领域：数据库、大数据、数据集成和联邦、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、网络安全、机器人技术、教育。
2021-09-15 cs.AI cs.LO
Non-Monotonic Reasoning and Story Comprehension
University of Cyprus（塞浦路斯大学）；Open University of Cyprus（塞浦路斯开放大学）；University College London（伦敦大学学院）
本文提出了一个与缺省推理相结合的关于动作和变化的推理框架，适合作为故事理解的知识表示和推理框架。所提出的框架在阅读和理解心理学现有知识的指导下，以人工智能的论证理论为基础。它使用论证来捕捉适当的解决方案的框架，分歧和资格问题和概括这些问题所需的文本理解。在本研究的第一部分，工作集中在整合（或阐述）的明确信息与隐含的（在读者心目中）常识世界知识的文本中给出的故事的主题（S）的文本中的叙述的中心问题。我们还报告了我们的经验努力，收集背景常识的世界知识时，人类阅读的故事，并评估，通过原型系统，我们的方法来捕捉大多数和变化的理解故事的人类读者在实验中的能力。
2014-07-14 cs.AI
Explaining Random Forests using Bipolar Argumentation and Markov Networks (Technical Report)
Imperial College London（伦敦帝国学院）
随机森林是一种决策树集成，可用于解决各种机器学习问题。然而，由于树木的数量和它们的个体大小可能很大，它们的决策过程往往是不可理解的。为了对决策过程进行推理，我们建议将其表示为一个论证问题。我们概括了充分和必要的论证的解释，使用马尔可夫网络编码，讨论这些解释的相关性，并建立家庭的溯因解释从文献中的关系。由于解释问题的复杂性很高，我们讨论了概率近似算法，并提出了第一个实验结果。
2022-11-21 cs.AI cs.LG cs.LO
Proceedings 35th International Conference on Logic Programming (Technical Communications)
自1982年在马赛举行第一次会议以来，ICLP一直是展示逻辑编程研究的首要国际活动。在逻辑编程的所有领域寻求贡献，包括但不限于：基础：语义学，形式主义，非单调推理，知识表示。语言：并发，对象，协调，移动性，高阶，类型，模式，断言，模块，元编程，基于逻辑的领域特定语言，编程技术。声明式编程：声明式程序开发，分析，类型和模式推理，部分求值，抽象解释，转换，验证，验证，编译，分析，测试，执行可视化实现：虚拟机，编译，存储管理，并行/分布式执行，约束处理规则，制表，外部接口，用户界面。相关范例和协同作用：归纳和协同归纳逻辑程序设计、约束逻辑程序设计、答案集程序设计、与SAT、SMT和CSP求解器的交互、类型推断和定理证明的逻辑程序设计技术、论证、概率逻辑程序设计、与面向对象和函数式程序设计的关系。应用领域：数据库、大数据、数据集成和联合、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、教育、网络安全和机器人技术。
2019-09-17 cs.AI cs.LO cs.PL
ProtoArgNet: Interpretable Image Classification with Super-Prototypes and Argumentation [Technical Report]
Imperial College London（帝国理工学院）；Cardiff University（卡迪夫大学）
本文提出ProtoArgNet可解释图像分类架构，通过超级原型组合原型部分并利用论证提供支持/攻击解释，在多个数据集上优于现有原型部分学习方法，且论证组件可定制以生成更简洁解释。
2024-08-21 cs.AI cs.CV
Proceedings 36th International Conference on Logic Programming (Technical Communications)
自1982年在马赛举行第一次会议以来，ICLP一直是展示逻辑编程研究的首要国际活动。在逻辑编程和相关领域的所有领域征求贡献，包括但不限于：-基础：语义学，形式主义，集合编程，非单调推理，知识表示。- 声明式编程：推理引擎，分析，类型和模式推理，部分求值，抽象解释，转换，验证，验证，建模，分析，测试，基于逻辑的领域特定语言，约束处理规则。- 相关范例和协同作用：归纳和协同归纳逻辑程序设计、约束逻辑程序设计、与SAT、SMT和CSP求解器的交互、用于类型推断和定理证明的逻辑编程技术、论证、概率逻辑程序设计、与面向对象和函数式编程的关系、描述逻辑、神经符号机器学习、混合深度学习和符号推理。- 实施情况：并发和分布，对象，协调，移动性，虚拟机，编译，高阶，类型系统，模块，约束处理规则，元编程，外部接口，用户界面。- 应用领域：数据库、大数据、数据集成和联合、软件工程、自然语言处理、Web和语义网、代理、人工智能、生物信息学、教育、计算生命科学、教育、网络安全和机器人技术。
2020-09-19 cs.AI cs.LO cs.PL
Formulating Semantics of Probabilistic Argumentation by Characterizing Subgraphs: Theory and Empirical Results
Zhejiang University（浙江大学）；University of Luxembourg（卢森堡大学）
在现有文献中，虽然已经提出了基于Monte-Carlo模拟技术的概率论证语义近似计算方法，但如何在不使用模拟技术的情况下提高计算效率仍然是一个悬而未决的问题。在本文中，我们从以下两个角度来解决这个问题。首先，从概念上讲，我们定义特定的属性来表征一个PrAG的子图相对于一个给定的扩展，这样的概率的一组参数E是一个扩展可以定义在这些属性，没有（或较少）建设的子图。其次，在计算方面，我们以偏好语义为例，并开发算法来评估我们的方法的效率。结果表明，该方法不仅大大减少了计算p（E^σ）的时间，而且具有与现有方法相反的吸引人的性质：PrAG的边越密集或给定扩展E的大小越大，该方法计算p（E^σ）的效率越高.同时，证明了在完全语义和优选语义下，确定p（E^σ）的问题是固定参数的易处理问题.
2016-11-28 cs.AI
Argumentative Explanations for Pattern-Based Text Classifiers
Imperial College London（伦敦帝国理工学院）
可解释人工智能的最新工作主要解决黑盒模型的透明度问题，或者为任何类型的模型创建解释（即，它们是模型不可知论的），而对可解释的模型的解释在很大程度上还没有得到充分的探索。在本文中，我们填补了这一空白，专注于解释一个特定的可解释的模型，即基于模式的逻辑回归（PLR）的二进制文本分类。我们这样做是因为，尽管PLR是可解释的，但在解释方面是具有挑战性的。特别是，我们发现从这个模型中提取解释的标准方法没有考虑特征之间的关系，使得人类很难相信这些解释。因此，我们提出AXPLR，一种新的解释方法，使用（形式）计算论证产生解释（PLR计算的输出），挖掘模型协议和分歧的功能。具体来说，我们使用计算论证如下：我们看到的功能（模式）在PLR作为参数的形式的量化的双极论证框架（QBAF）和提取攻击和支持之间的论点的基础上的参数的特异性;我们理解逻辑回归作为一个渐进的语义这些QBAF，用于确定参数的辩证强度;我们研究的标准属性的逐步语义的QBAF在我们的背景下，论证重新解释PLR，制裁其适用性的解释目的。然后，我们将展示如何从构造的QBAF中提取直观的解释（对于PLR计算的输出）。最后，我们在人类-AI协作的背景下进行了实证评估和两个实验，以证明我们所得到的AXPLR方法的优势。
2022-05-22 cs.AI cs.CL cs.LG
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
Proceedings 40th International Conference on Logic Programming
University of Texas at Dallas（德克萨斯大学达拉斯分校）
该论文集收录第40届国际逻辑程序设计会议（ICLP）的技术内容，涵盖逻辑程序设计的语义、语言设计、程序分析及实现方法学等领域，展现该领域的最新研究成果。
2025-02-11 cs.AI cs.LO
Technical Report of "Deductive Joint Support for Rational Unrestricted Rebuttal"
International Center for Computational Logic, TU Dresden（德累斯顿工业大学国际计算逻辑中心）
在ASPIC式的结构化论证中，一个论证可以通过攻击另一个论证的结论来反驳它。有两种形式化反驳的方法被提出：在限制性反驳中，被攻击的结论必须是用可废止规则得出的;而在非限制性反驳中，它可能是用严格规则得出的，只要这个严格规则的前提中至少有一个是可废止的。在结构化论证框架的各种可能定义之间进行选择的一种系统方法是研究哪些定义满足哪些合理性假设，例如闭合假设是否成立，即接受的结论是否在严格的规则下是闭合的。虽然有一些好处，使用无限制反驳的建议面临的问题，封闭公设只适用于接地语义，但当其他论证语义应用失败，而与限制反驳的封闭公设始终成立。在本文中，我们提出，ASPIC式的论证可以受益于跟踪不仅参数之间的攻击关系，但也有关系的演绎联合支持之间的一组参数和参数，从该集合构造使用严格的规则。通过在确定扩展时考虑这种演绎联合支持关系，闭包假设在所有基于可容许性的语义下都成立，并具有无限制的反驳。我们通过扁平化方法定义了演绎联合支持的语义。
2020-07-09 cs.AI cs.LO
Column-Oriented Datalog Materialization for Large Knowledge Graphs (Extended Technical Report)
VU University Amsterdam（阿姆斯特丹自由大学）；Technische Universität Dresden（德累斯顿工业大学）
大型知识图谱上的数据挖掘规则的评价对于许多应用是必不可少的。在本文中，我们提出了一种新的方法，具体化数据库推理，它结合了一个基于列的内存布局与新的优化方法，避免在运行时冗余的推断。某些子查询的主动缓存进一步提高了效率。我们的经验评估表明，这种方法往往可以匹配甚至超过最先进的系统的性能，特别是在有限的资源。
2016-02-11 cs.AI cs.DB
NomicLaw: Emergent Trust and Strategic Argumentation in LLMs During Collaborative Law-Making
本文提出NomicLaw多智能体模拟框架，研究LLM在协作立法中的信任、互惠与策略性论证行为，实验显示智能体自发结盟、背叛并调整言辞影响决策，揭示其社交推理与说服潜力。
2025-08-07 cs.AI
Does Your AI Agent Get You? A Personalizable Framework for Approximating Human Models from Argumentation-based Dialogue Traces
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出Persona框架，利用前景理论和贝叶斯更新从论证对话中动态学习人类模型，实现个性化交互并超越现有方法。
2025-02-22 cs.AI cs.HC cs.LO
Graph Convolutional Networks and Graph Attention Networks for Approximating Arguments Acceptability -- Technical Report
IRIT, Université Toulouse Capitole（图卢兹第一大学信息与自动化研究所（IRIT），图卢兹 Capitole 大学）
本研究推进了神经网络在抽象论证决策问题中的应用，通过依托AFGCN方法改进了图卷积网络（GCNs）的运行时间与准确率，并进一步改用图注意力网络（GATs）架构提升了方法的整体效率。
2024-04-29 cs.AI
An Argumentation-Based Reasoner to Assist Digital Investigation and Attribution of Cyber-Attacks
Imperial College London（帝国理工学院）
我们预计网络攻击的频率和严重程度会增加，同时需要有效的安全对策。确定网络攻击的原因有助于制定有效和有针对性的缓解和预防安全措施。在这项工作中，我们提出了一种基于论证的推理机（ABR）作为概念验证工具，可以在法医证据分析和归因过程中帮助法医分析师。鉴于从网络攻击中收集的证据，我们的推理机可以在调查过程中帮助分析师分析证据并确定谁进行了攻击。此外，它通过提示缺失的证据或新的调查路径，向分析师建议进一步分析的重点。ABR是第一个可以在网络攻击分析中结合技术和社会证据的自动推理器，也可以处理不完整和相互冲突的信息。为了说明ABR如何帮助分析和归因网络攻击，我们使用了公开报告和在线文献中报告的网络攻击及其分析的示例。我们并不打算同意或不同意其中提出的分析或得出归因结论。
2020-01-21 cs.AI cs.CR
Strategic Argumentation Dialogues for Persuasion: Framework and Experiments Based on Modelling the Beliefs and Concerns of the Persuadee
University College London（伦敦大学学院）；Scribe Labs（Scribe实验室）；Cardiff University（卡迪夫大学）
说服力是人类智力的一个重要而复杂的方面。如果通过对话进行，提出好的论点，从而提出反驳，显然对成功说服的能力有重大影响。在特定的对话中，决定一个论点是否好的两个关键因素是目标受众对论点和反论点的信任程度，以及论点对目标受众关注的问题的影响。在本文中，我们提出了一个框架，建模说服他们的信念和关注，并利用这些模型在优化选择的说服对话中移动。我们的方法是基于蒙特卡罗树搜索，它允许实时优化。我们提供了一项与人类参与者的研究的实证结果，表明我们基于该技术的自动说服系统优于在其策略中不考虑信念和关注的基线系统。
2021-01-28 cs.AI
Explaining Arguments' Strength: Unveiling the Role of Attacks and Supports (Technical Report)
Imperial College London（帝国理工学院）；Cardiff University（卡迪夫大学）
针对渐进语义下论证强度解释忽视攻击与支持作用的问题，提出基于 Shapley 值的关系归因解释理论及高效概率近似算法，并验证其性质与应用价值。
2024-05-10 cs.AI
A Bayesian Approach to Direct and Inverse Abstract Argumentation Problems
Sun Yat-sen University（中山大学）；Zhejiang University（浙江大学）
本文研究了一个基本的机制，如何检测参数之间的冲突给定的情感有关的可接受性的论点。为了解决这一问题，我们引入了抽象论证逆问题的概念。给定可接受参数的噪声集，它的目的是找到攻击关系，解释集合的可接受性语义。它是与传统的抽象论证问题相对应的直接问题的逆问题，其重点是在给定参数之间的攻击关系的情况下，根据语义找到可接受的参数集。我们给出了一个概率模型处理这两个问题的方式，是忠实的可接受性语义。从理论的角度来看，我们表明，一个解决方案的正问题和反问题是一个特殊的情况下的概率推断的模型。我们讨论了该模型提供了一个自然的语义扩展，以应付不确定的攻击概率分布的关系。从经验的角度来看，我们认为，它合理地预测个人的情绪有关的可接受性的论点。本文为可接受性语义数据驱动奠定了基础，为解决知识获取瓶颈提供了一种途径。
2021-01-27 cs.AI cs.LG cs.LO
When Large Language Models Meet Law: Dual-Lens Taxonomy, Technical Advances, and Ethical Governance
School of Law, China University of Political Science and Law（中国政法大学法学院）；Zhejiang University of Finance and Economics Dongfang College（浙江财经大学东洋学院）；School of Information Management for Law, China University of Political Science and Law（中国政法大学信息管理法学院）；Department of Artificial Intelligence, Chung-Ang University（成均馆大学人工智能系）；Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University（香港理工大学数据科学与人工智能系）
本文综述了LLMs在法律领域的应用，提出整合法律推理与专业本体的双透镜分类法，系统梳理了技术进展、核心挑战及伦理治理，为法律AI的未来发展奠定基础。
2025-07-10 cs.AI cs.CL
Approximating Human Models During Argumentation-based Dialogues
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出一种通过基于论证的对话学习并更新概率性人类模型的框架，结合基于信任和确定性的更新机制及贝叶斯方法，有效捕捉人类信念的动态变化，解决可解释AI规划中的模型调和问题。
2024-05-28 cs.AI cs.HC cs.LO
Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study
本文提出一种针对一阶逻辑论证的多级相似性框架，结合扩展公理基础、四层参数模型及上下文加权机制，以提升论证相似性分析的准确性与可解释性。
2026-04-14 cs.AI cs.LO
Argumentative Debates for Transparent Bias Detection [Technical Report]
针对现有偏见检测方法缺乏透明度的问题，提出基于论证图的论辩式偏见检测框架ABIDE，通过辩论形式实现透明的偏见检测，实验验证其性能优于论辩式基线。
2025-11-17 cs.AI cs.LG
Recourse under Model Multiplicity via Argumentative Ensembling (Technical Report)
Imperial College London（伦敦帝国理工学院）
本文针对模型多重性导致反事实解释不一致的问题，提出名为“论证集成”的方法，利用计算论证保证反事实解释的鲁棒性并满足用户偏好，在准确率上权衡极小。
2024-01-03 cs.AI cs.LG
SpArX: Sparse Argumentative Explanations for Neural Networks [Technical Report]
Imperial College London（帝国理工学院）；Cardiff University（卡迪夫大学）
本文提出SpArX方法，利用多层感知机与量化论证框架的关系，通过稀疏化MLP并转换为等价QAF，生成全局或局部论证解释，以更忠实地揭示神经网络的决策机制与实际推理过程。
2023-07-31 cs.AI cs.LG stat.ML
A formal framework for deliberated judgment
Université Paris-Dauphine, PSL Research University（巴黎多芬大学，PSL研究大学）；CNRS（法国国家科学研究中心）
虽然哲学文献已经广泛地研究了决策如何与论点，理由和理由相关，但决策理论几乎完全忽略了后者的概念，而是专注于偏好和信念。在这篇文章中，我们认为，决策理论可以在很大程度上受益于明确考虑的立场，决策者采取的论点和反论点。为此，我们阐述了一个正式的框架，旨在整合的作用，论证和论证的决策理论和决策辅助。我们从一个决策情况开始，在这个情况下，一个人请求决策支持。在这种情况下，我们正式定义，作为一个值得称赞的基础，决策援助，这个人的深思熟虑的判断，推广罗尔斯。我们解释了如何深思熟虑的判断模型可以实证验证。然后，我们确定一个有效的模型的存在可以被视为理所当然的条件，并分析这些条件可以放宽。然后，我们探讨我们提出的决策辅助实践框架的意义。我们认为，我们的深思熟虑的判断的概念欠其规范的凭据既规范的基础（基于参数的合理性的想法）和它的参考经验的现实（真实的，经验的个人持有的立场，对参数和反参数，在适当的反射）。然后，我们强调，我们的框架开辟了未来的研究涉及哲学和决策理论的方法，以及经验的实施有前途的途径。
2019-11-07 cs.AI
Explanation Strategies as an Empirical-Analytical Lens for Socio-Technical Contextualization of Machine Learning Interpretability
University of Twente（特文特大学）；Freie Universität Berlin（柏林自由大学）
在一个研究项目中，我们开发了一个机器学习（ML）驱动的可视化系统，为非ML专家，我们反映在ML，计算机支持的协同工作和人机交互的可解释性研究。我们发现，虽然有多种技术方法，但这些方法通常集中在ML专家身上，并在非情境化的实证研究中进行评估。我们假设参与式设计研究可以支持我们项目中利益相关者的情境意义的理解，但是，发现关于ML可解释性的指导并不详尽。基于技术哲学，我们制定了解释策略，作为一个分析的镜头，说明技术解释如何调解有关人们的解释的上下文偏好。在本文中，我们贡献了一份报告，我们的概念证明使用解释策略来分析与非ML专家的协同设计研讨会，参与式设计研究的方法学意义，非ML专家解释的设计意义，并建议进一步调查ML可解释性空间中的技术中介理论。
2021-09-24 cs.AI cs.CY cs.HC
Revisiting Recommendation Loss Functions through Contrastive Learning (Technical Report)
Kent State University（肯特州立大学）；William & Mary（威廉与玛丽学院）
本研究受对比学习启发系统梳理推荐损失函数，提出优化的InfoNCE+、新型解耦对比损失MINE+及去偏的Debiased CCL，还发现iALS等线性模型固有去偏性，实验验证了所提方法的有效性。
2024-11-04 cs.AI
(Debiased) Contrastive Learning Loss for Recommendation (Technical Report)
Kent State University（肯特州立大学）
该研究从对比学习视角系统梳理推荐系统各类损失，首次引入推荐场景下的去偏InfoNCE与MINE，提出去偏逐点损失并证明两类线性模型固有去偏性，实验验证新损失效果更优。
2024-11-04 cs.AI
Extended Empirical Validation of the Explainability Solution Space
VRAIN Institute, Universitat Politècnica de València（VRAIN研究院，瓦伦西亚理工大学）；Departament d’Informàtica, Universitat de València（信息学院，瓦伦西亚大学）
本研究通过跨领域评估验证了可解释性解决方案空间的通用性和领域独立性，展示了其在智能城市资源配置中的应用及有效性。
2026-03-07 cs.AI cs.SE
What Software Engineering Looks Like to AI Agents? -- An Empirical Study of AI-Only Technical Discourse on MoltBook
University of Calgary（卡尔加里大学）；Phanvic
本研究通过分析MoltBook上纯AI代理生成的技术讨论，探讨了AI代理在自主交互中产生的 discourse 特点，发现其讨论内容更侧重于安全与信任、内存管理、工具和API、调试与错误处理等主题，但缺乏人类开发者讨论中常见的具体项目细节和运行时信息。
2026-05-21 cs.AI cs.SE
Argumentative Ensembling for Robust Recourse under Model Multiplicity
Department of Computing, Imperial College London（帝国理工学院计算系）；Department of Informatics, King's College London（伦敦国王学院信息系）
针对模型多重性下反事实解释缺乏鲁棒性的问题，提出追索感知集成框架，并利用计算论证解决模型与反事实间的冲突，确保追索的鲁棒性。
2025-06-25 cs.AI cs.LG cs.MA
How NOT To Evaluate Your Dialogue System: An Empirical Study of Unsupervised Evaluation Metrics for Dialogue Response Generation
McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）
我们调查评估指标的对话响应生成系统，监督标签，如任务完成，是不可用的。响应生成的最新工作采用了来自机器翻译的度量，以将模型生成的响应与单个目标响应进行比较。我们发现，这些指标与非技术Twitter域中的人类判断非常弱相关，而在技术Ubuntu域中根本不相关。我们提供了定量和定性的结果，突出了现有指标的具体弱点，并提供建议，为对话系统更好的自动评估指标的未来发展。
2017-01-03 cs.AI cs.CL cs.LG
Revisiting Technical Bias Mitigation Strategies
Stanford University School of Medicine（斯坦福大学医学院）
本文从五个关键维度系统分析了医疗场景中技术性偏见缓解策略的实际局限，并提出价值敏感AI框架及实用建议以推动更有效的公平性实践。
2024-10-22 cs.AI cs.CY
From Agent Behaviour to Agent-Friendly Documentation: An Empirical Study of How Coding Agents Discover, Read, and Write Technical Documentation
Peking University（北京大学）
本研究通过SWE-chat和AIDev两个数据集，揭示编码智能体的文档交互规律，发现面向智能体的制品占主导，文档与代码编辑关联弱，验证序列缺失，文档滞后代码，且"智能体友好型"文档的可操作性、可验证性缺乏行为支持。
2026-08-21 cs.AI cs.HC cs.SE
A Technical Taxonomy of LLM Agent Communication Protocols
Technische Universität München（慕尼黑技术大学）
针对大语言模型智能体通信协议碎片化问题，提出包含五个维度的技术分类法，分析九种开源协议，揭示架构模式并预测协议演进趋势。
2026-06-18 cs.AI cs.MA cs.NI
Human-AI Interaction and User Satisfaction: Empirical Evidence from Online Reviews of AI Products
Division of Social Science & AI, Hankuk University of Foreign Studies（韩国外国语大学社会科学与人工智能系）
本研究基于G2平台超10万条AI产品评论，识别七个HAI维度，发现适应性、定制化、错误恢复和安全性情感与满意度正相关，且影响不受岗位角色调节。
2025-03-25 cs.AI cs.CL cs.HC
