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
Online Handbook of Argumentation for AI: Volume 4
该论文介绍OHAAI第四卷，汇集经修订的遴选论文，旨在以开放获取枢纽呈现AI论证理论与应用方面由博士研究驱动的最新成果。
2023-12-20 cs.AI
HiTZ@Antidote: Argumentation-driven Explainable Artificial Intelligence for Digital Medicine
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
针对AI预测高质量解释的构建难题，ANTIDOTE项目提出结合深度学习底层特征与人类高层论证能力的整合式可解释AI方案，并发布Antidote CasiMedicos数据集支撑医学领域相关研究。
2023-06-09 cs.AI cs.CL
Non-monotonic Reasoning in Deductive Argumentation
University College London（伦敦大学学院）
论证是一个非单调的过程。这反映了一个事实，即论证涉及不确定的信息，因此新的信息可能会导致得出的结论发生变化。然而，基本逻辑不需要是非单调的。事实上，大多数结构化论证的建议都使用单调的基本逻辑（例如，某种形式的基于规则的语言或经典逻辑的肯定前件式）。然而，在捕获论证中的可废止推理方面存在问题，包括基础逻辑的选择和可废止知识的建模。在非单调逻辑的研究中，也有一些见解和工具可以利用。我们认为其中一些问题在本文中。
2018-09-04 cs.AI
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
Representation, Justification and Explanation in a Value Driven Agent: An Argumentation-Based Approach
Zhejiang University（浙江大学）；University of Hartford（哈特福德大学）；University of Connecticut（康涅狄格大学）
伦理和可解释的人工智能是一个跨学科的研究领域，涉及计算机科学，哲学，逻辑，社会科学等。对于一个伦理自治系统，证明和解释其决策的能力是透明度和可信度的一个重要方面。本文以价值驱动Agent（VDA）为例，显式地表示基于机器学习的自主智能体的隐含知识，并使用这种形式化来证明和解释Agent的决策。为此，我们引入了一种新的形式主义来描述的内在知识和解决方案的VDA在每种情况下。基于这种形式主义，我们制定了一种方法来证明和解释的VDA的决策过程中，在一个典型的论证形式主义，假设为基础的论证（ABA）。其结果是，在一个给定的情况下，VDA映射到一个论证框架，其中参数定义的概念演绎。从论证中得到的语义方面的正当行动对应于VDA的解决方案。在框架中接受（拒绝）论点及其前提为为什么选择（或不选择）一个动作提供了解释。此外，我们超越了现有版本的VDA，考虑不仅是实践推理，但也认知推理，这样的不一致的知识的VDA可以识别，处理和解释。
2019-10-20 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
A perceptual bias of AI Logical Argumentation Ability in Writing
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
本研究探讨人类偏见如何影响对AI逻辑推理能力的评估，发现AI生成文本的评估受预设观念影响，且频繁AI用户更不认为AI削弱独立思考。
2025-11-27 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
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
SCC-recursiveness in infinite argumentation (extended version)
University of Wiscosin--Madison（威斯康星大学麦迪逊分校）；University of Bari（巴里大学）
本文针对无限论证框架中SCC递归语义失效的问题，提出两种扩展方法，并通过系统评估发现方向性在一般情况下失效但在有限框架中部分成立，推进了无限论证理论。
2025-07-09 cs.AI
Verifiability of Argumentation Semantics
Leipzig University（莱比锡大学）；TU Wien（维也纳工业大学）
Dung的抽象论证理论是一种广泛使用的形式主义，用于对冲突信息进行建模并在这种情况下得出结论。因此，知识表示的论证框架（AF）和推理是通过语义提取可接受的集合。所有合理的语义是基于无冲突的概念，这意味着参数是唯一共同接受的，当他们没有连接在AF。在本文中，我们研究的问题，其中信息的无冲突集的顶部需要计算扩展的语义在手。我们引入了一个层次结构的所谓的验证类指定所需的信息量。我们表明，众所周知的标准语义是完全可验证的，通过一定的这样的类。我们的框架还提供了一种方法来研究语义之间的已知语义，从而有助于更抽象地理解不同的功能论证语义提供。
2016-03-31 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
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
Using Enthymemes to Fill the Gap between Logical Argumentation and Revision of Abstract Argumentation Frameworks
TU Wien（维也纳工业大学）
在本文中，我们提出了一个初步的工作方法，以填补基于逻辑的论证和众多的方法来解决抽象的论证框架的动态之间的差距。我们的想法是，即使论证和攻击是通过逻辑信念基础来定义的，也可能存在一些关于论证内容准确性的不确定性，因此存在（或不存在）与之相关的攻击。事实上，正如文献中所论证的，真正的论证往往是推理论证，而不是完全指定的演绎论证。这就意味着推理论证对中的某些部分（支持、主张）可能会缺失，因为它们被认为属于某种“共同知识”，然后应该由接受推理论证的主体进行推导。但是，代理人对共同知识的感知可能是错误的，然后第一个代理人可能会陈述一个推理迷因，而她的对手无法以准确的方式解码。很可能是代理人对推理迷因的解码导致了这个新论点和现有论点之间的错误攻击。在这种情况下，代理可以接收一些有关攻击或论点接受状态的信息，这些信息与她的论点框架不一致。我们提出了一种方法，将这一新的信息，通过现有的工作动态的抽象论证框架。
2016-03-29 cs.AI
Probabilistic Argumentation with Epistemic Extensions and Incomplete Information
University College London（伦敦大学学院）；University of Koblenz-Landau（科布伦茨-兰道大学）
抽象论证提供了一种有吸引力的方式来表示和评估论点和反驳。这种方法可以通过为每个参数分配概率来增强。对这项任务有各种不同的解释。在本文中，我们认为分配是指代理人相信论点是合理的，即，论证的前提和论证的主张从其前提的推导都是有效的。这就引出了认知扩展的概念，它是图中在某种程度上被相信的参数的子集（我们定义为概率分配大于0.5的参数）。我们考虑各种约束的概率分配。有些约束对应于标准的扩张概念，如接地或稳定的扩张，有些约束给我们新的扩张。
2014-05-14 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
Optimization of Information-Seeking Dialogue Strategy for Argumentation-Based Dialogue System
NARA Institute of Science and Technology（奈良先端科学技术大学院大学）；NEC Central Research Laboratories（NEC中央研究所）；Japan Science and Technology Agency（日本科学技术振兴机构）
基于辩论的对话系统能够通过对话来处理和交换辩论，因此得到了广泛的研究。这些系统需要有足够的支持信息来合理地论证其主张;然而，在现实情况下，这些系统往往没有足够的此类信息。填补这一空白的一个办法是从对话伙伴那里获得这种缺失的信息（寻求信息的对话）。现有的信息搜索对话系统是基于手工制作的对话策略，详尽地检查缺失的信息。然而，所提出的策略并不专门收集信息构建理性的论点。此外，系统的查询候选的数量根据系统处理的参数集的大小而增长。在本文中，我们将信息寻求对话的过程形式化为马尔可夫决策过程（MDP），并应用深度强化学习（DRL）自动优化对话策略。通过使用DRL，我们的对话策略可以成功地最小化目标函数，我们的系统在对话中收集必要信息所需的轮数。我们进行了对话实验，使用两个数据集从不同领域的辩论对话。实验结果表明，基于MDP的形式化策略效果良好，DRL优化策略的性能优于现有的启发式对话策略。
2018-11-26 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
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
Aggregative Semantics for Quantitative Bipolar Argumentation Frameworks
Sorbonne Université, CNRS, LIP6（索邦大学、国家科学研究中心、LIP6）
本文提出了一种用于定量双极论证框架的聚合语义，通过三阶段计算方法提高计算的可解释性和参数化程度。
2026-03-06 cs.AI
DeceptionAnalyser: A Web-Based AI Tool for Performing Structured Deception Analysis with Argumentation Schemes and LLMs
University of Lincoln（林肯大学）；University of the Basque Country（巴斯克大学）；University of Liverpool（利物浦大学）
本文提出十个论证方案及DeceptionAnalyser工具，结合大型语言模型进行结构化欺骗分析，通过前提提取和关键问题评估实现透明可解释的欺骗检测，并在多个模型上验证了可靠性。
2026-09-22 cs.AI cs.HC
Defeasible Logic Programming: An Argumentative Approach
这里报告的工作介绍了可废止逻辑编程（DeLP），一种形式主义，结合逻辑编程和可废止论证的结果。DeLP提供了以弱规则的形式以声明的方式表示信息的可能性，以及用于证明蕴涵结论的可废止论证推理机制。在DeLP中，论证形式主义将用于在矛盾的目标之间做出决定。论证将得到论证的支持，而这些论证可能会被其他论证击败。一个查询q将成功时，有一个参数A的q是有保证的，即，参数A，支持q是发现不败的保证程序，实现了辩证分析。DeLP的可废止论证基础允许构建处理动态域中不完整和矛盾信息的应用程序。因此，所得到的方法是适合于代表代理的知识，并为代理提供一个基于论证的推理机制。
2003-02-20 cs.AI
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
Dialogue-based Explanations for Logical Reasoning using Structured Argumentation
Vrije University Amsterdam（阿姆斯特丹自由大学）
针对知识库容错推理解释缺乏关键信息、非二元冲突表达不足的问题，本文提出基于论证的通用方法，将最大一致子集推理逻辑转化为论证，通过对话模型生成更具表达性和直观性的辩证证明树解释查询答案。
2025-02-16 cs.AI cs.DB cs.HC
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
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
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
"Minimal defence": a refinement of the preferred semantics for argumentation frameworks
Dung的抽象论证框架使我们能够仅仅基于对论证集合的“攻击”二元关系来研究论证之间的相互作用。在论证、非单调推理或逻辑编程的背景下，已经提出了解决矛盾信息之间冲突的各种方法，并且可以在Dung的框架内通过适当的语义来捕获。这些语义的一个共同特征是，在某种意义上，人们总是可以最大化可接受的参数集。在本文中，我们建议扩展Dung的框架，以允许我们所谓的“限制”参数的表示：这些参数只应在绝对必要的情况下使用，也就是说，为了支持其他参数，否则将被击败。我们相应地修改Dung的首选语义：一组参数成为可接受的，只有当它包含一个最小的限制参数，最大的无限制参数。
2002-07-08 cs.AI
Impact Measures for Gradual Argumentation Semantics
CNRS（法国国家科学研究中心）；Université Paris Cité（巴黎城市大学）；Universite Claude Bernard Lyon 1（里昂第一大学（克洛德·贝尔纳））；Ecole Centrale de Lyon（里昂中央理工学院）；INSA Lyon（里昂国立应用科学学院）；Université Lumière Lyon 2（里昂第二大学（卢米埃尔））；LIRIS（里昂信息、图像与智能实验室）
针对渐进论证语义的结果解读需求，本文改进了现有影响度量，提出基于Shapley值的新度量，并结合知名渐进语义用多原则评估，深化了对两类度量功能与适用性的认知。
2024-07-11 cs.AI
Numerical Abstract Persuasion Argumentation for Expressing Concurrent Multi-Agent Negotiations
Nagoya Institute of Technology（名古屋工业大学）
由2个代理e1和e2进行的协商过程可以被例如e1和e3之间的另一协商过程交织。交织可以改变在第一协商过程开始时假设的资源分配。现有的基于辩论的谈判的建议主要集中在两个代理人的双边谈判，但很少对并发的多代理人的谈判。为了填补这一空白，我们提出了一个新的论证理论，其发展的基础上抽象的说服论证（这是一个抽象的论证形式主义与动态关系）。它的数值信息和机制的动态关系的成员之间的握手，我们表明，扩展的理论非常适合并发多代理人的谈判稀缺资源。
2020-01-23 cs.AI cs.MA
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
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
Belief Revision in Structured Probabilistic Argumentation
U.S. Military Academy（美国军事学院）；University of Oxford（牛津大学）；Universidad Nacional del Sur（南方国立大学）
在实际应用中，由特定领域的所有信息组成的知识库，以及当前的事态，必然包含来自不同来源的矛盾数据，以及带有不同程度不确定性的数据。同样，与维护知识库相关的工作的一个重要方面是决定哪些信息不再有用;信息片段（如情报报告）可能已经过时，可能来自最近发现的低质量来源，或者可能有大量证据与之相矛盾。在本文中，我们提出了一个概率结构化的论证框架，产生于扩展的假设可废止逻辑编程（PreDeLP）与概率模型，并认为这种形式主义是能够解决的基本问题，处理矛盾和不确定的数据。然后，为了解决最后一个问题，我们专注于研究概率PreDeLP程序上的非优先信念修正操作。我们提出了一套合理性假设-基于著名的经典知识库开发-的特点，这些操作应该如何表现，并研究了一类运营商的理论关系与建议的假设，包括表示定理，说明这类和一类运营商之间的等价性，其特征在于由假设。
2014-01-07 cs.AI cs.LO
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
Neurosymbolic Learning for Inference-Time Argumentation
Department of Computing, Imperial College London（伦敦帝国理工学院计算机系）
本文提出了一种用于三元主张验证的可训练神经符号框架，通过在训练和推理过程中结合形式论证语义来指导大语言模型生成论证并分配基础分数，从而提高三元预测的准确性。
2026-06-09 cs.AI
Impact of Argument Type and Concerns in Argumentation with a Chatbot
University College London（伦敦大学学院）
会话代理，也称为聊天机器人，是一种多功能的工具，有可能用于对话式辩论。它们可能被部署在说服行为改变等任务中（例如说服人们多吃水果，定期锻炼等）。然而，要做到这一点，有必要制定方法，以获得适当的论点和反驳，反映双方的讨论。例如，为了说服某人定期锻炼，聊天机器人需要知道用户可能对不锻炼的反驳。为了满足这一需求，我们提出了获取参数和反参数的方法，重要的是，元级别的信息，可以用于决定何时可以使用参数在辩论对话。我们在与参与者的研究中评估了这些方法，并展示了如何在聊天机器人中利用这些方法使其更具说服力。
2019-05-02 cs.AI cs.HC
Can Artificial Intelligence Embody Moral Values?
Vlerick Business School（弗拉里克商学院）；KU Leuven（鲁汶大学）
本文论证人工智能体通过整合道德价值观的计算模型挑战了技术中立性论点，提出概念框架并验证artificial conscience和ethical prompting两种方法能使智能体在文本游戏中表现得更合乎道德。
2024-08-22 cs.AI
Disagree and Commit: Degrees of Argumentation-based Agreements
本文面向自主智能体的部分承诺问题，基于抽象论证与基于价值的论证提出一致场景、满足度及多类一致度，并分析新信息扩展对其可靠性的影响。
2024-12-31 cs.AI cs.LO cs.MA
Argumentation-Based Person-Tailored Storytelling for Older Adults: A Reflective Hybrid AI Architecture
Umeå University, Department of Computing Science（乌尔姆大学计算机科学系）
本研究探讨了基于知识驱动的LLM叙事是否能支持老年人与数字伴侣的有意义互动。通过整合知识图谱、用户建模、论证理论和论证挖掘，系统在生成叙事时提供指导和检查。研究发现，论证质量与清晰度相关，文化相关性影响使用意愿，而高幻觉风险指标的叙事常被感知为不一致。
2026-10-14 cs.AI
On the Complexity of the Grounded Semantics for Infinite Argumentation Frameworks
Department of Mathematics University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系）；Dipartimento di Ricerca e Innovazione Umanistica University of Bari, Italy（巴里大学人文研究与创新系）
本文研究了无限论证框架中 grounded 语义的复杂性，发现其计算难度极高，与有限情况下的多项式时间计算形成鲜明对比。
2025-11-27 cs.AI cs.LO
Complexity in finitary argumentation (extended version)
Department of Mathematics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校数学系）；Department of Humanistic Research and Innovation, University of Bari（巴里大学人文研究与创新系）
针对无限抽象论证框架（AFs）计算难处理的问题，研究无限但有限AFs（每个论证仅被有限个攻击）的复杂性，发现有限性不自动降复杂度，但基于可接受性语义有显著组合约束可大幅降复杂度，平衡表达性与可处理性。
2025-08-23 cs.AI math.LO
Understanding Enthymemes in Argument Maps: Bridging Argument Mining and Logic-based Argumentation
Université Paul Sabatier（保罗萨巴蒂埃大学）；CNRS（法国国家科学研究中心）；IRIT（图灵与信息技术研究所）；Inria（法国国家信息与自动化研究所）；I3S（信息、信号与系统实验室）；University College London（伦敦大学学院）
本研究针对论证挖掘得到的论证图难以自动分析的问题，提出用经典逻辑表示文本显式信息、缺省逻辑表示隐式信息来对论证图进行逻辑实例化，以支撑后续自动推理分析。
2024-08-16 cs.AI cs.CL
A Methodology for Incompleteness-Tolerant and Modular Gradual Semantics for Argumentative Statement Graphs
King’s College London（伦敦国王学院）；Imperial College London（伦敦帝国学院）；New Mexico State University（新墨西哥州立大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
提出一种针对论证陈述图的渐近语义新方法论，能容忍不完备信息并模块化利用QBAFs的GS，通过定义新属性并验证两个实例化的优势，展示了优于现有方法的特点。
2025-08-11 cs.AI
CAF-Gen: A Multi-Agent System for Enriching Argumentation Structures
Faculty of Electronics and Information Technology, Warsaw University of Technology（电子与信息技术学院，华沙技术大学）
提出CAF-Gen多智能体框架，通过迭代创建-评审流程将浅层论证结构自动转换为符合Carneades论证框架的丰富模型，克服单次生成的结构不稳定性。
2026-06-16 cs.AI cs.CL
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
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
Argument Schemes for Explainable Planning
King’s College London（伦敦国王学院）；University of Lincoln（林肯大学）
人工智能（AI）越来越多地用于开发产生智能解决方案的系统。然而，一个主要的问题是，所构建的系统是否会受到人类的信任。为了建立对人工智能系统的信任，用户需要理解其解决方案背后的推理，因此，系统应该能够解释和证明其输出。在本文中，我们使用论证来解释AI规划领域。我们提出的参数计划，以创建参数，解释计划及其组成部分;和一组关键的问题，允许参数之间的互动，使用户能够获得有关计划的关键要素的进一步信息。最后，我们提出了一些计划参数的性质。
2020-05-12 cs.AI
Can formal argumentative reasoning enhance LLMs performances?
Brunel University London（伦敦布鲁内尔大学）；University of Lincoln（林肯大学）
本文提出MQArgEng流水线，将计算论证语义引入大语言模型，以提升其推理与对话性能；基于MT-Bench的初步实验表明该方法在多数主题类别中带来适度性能提升，验证了其可行性。
2024-05-16 cs.AI cs.CL
The Emerging Artificial Intelligence Protocol for Hierarchical Information Network
University of Luxembourg（卢森堡大学）
人工智能的最新发展使机器能够达到人类的智能水平。解决问题和决策是衡量人类智力的两种心理能力。许多学者提出了不同的模型。然而，在建立具有多级抽象的面向AI的层次模型方面存在差距。这项研究提出了一种新的模型，称为新兴的AI协议，由七个不同的层组成，能够为给定的问题提供最佳和可解释的解决方案。
2023-02-22 cs.AI
Artificial Intelligence and Asymmetric Information Theory
University of Johannesburg（约翰内斯堡大学）
当人类代理人聚集在一起做出决策时，通常情况下，一个人类代理人比另一个人拥有更多的信息。这种现象被称为信息不对称，这扭曲了市场。通常，如果一个人类代理打算操纵一个有利于它的决定，人类代理可以发出错误或正确的信息。或者，一个人类代理可以筛选信息，以减少不对称信息对决策的影响。随着人工智能的出现，信号和筛选变得更加容易。本文研究了人工智能对信息不对称理论的影响。据推测，人工智能代理人减少了信息不对称的程度，从而使这些代理人部署的市场变得更有效率。它还假设，在市场上部署的人工智能代理越多，市场上的交易量就越少。这是因为，许多交易的发生，都是因为交易商品和服务的信息不对称，这就产生了套利的感觉。
2015-10-14 cs.AI
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
ArgRE: Formal Argumentation for Conflict Resolution in Multi-Agent Requirements Negotiation
Department of Computer Science and Communications Engineering, Waseda University（早稻田大学计算机科学与通信工程系）；College of Architecture and Urban Planning, Tongji University（同济大学建筑与城市规划学院）；Advanced Institute of So-Go-Chi (Convergence Knowledge) Informatics, Tohoku University（东北大学So-Go-Chi（融合知识）信息学高级研究所）；Aisin Corporation（日产公司）
ArgRE通过嵌入Dung风格的抽象论证，提供多智能体需求协商中的冲突解决，提升可审计性与合规性。
2026-04-25 cs.AI cs.SE
Emergence of Physical Intelligence via Controllable Information Production
Department of Computer Science（计算机科学系）；Texas Tech University（德克萨斯技术大学）
本文提出可控信息生成框架，将内在动机与最优控制统一，揭示价值函数结构与柯莫哥罗夫-辛恩熵的联系，展现物理智能源于可控混沌边缘的驱动。
2026-10-15 cs.AI
