arXiv 2507.049942025-07-07cs.AI

面向案例推理的支持型抽象论证

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）

Adam Gould, Gabriel de Olim Gaul, Francesca Toni

备注：: Accepted to IARML@ICJAI2025: Workshop on the Interactions between Analogical Reasoning and Machine Learning

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

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。

摘要：

我们提出面向案例推理的支持型抽象论证（sAA-CBR），这是一种二元分类模型，其中过往案例通过论证自身标签、攻击标签相反的案例或支持标签相同的案例来参与辩论。借助支持关系，sAA-CBR 克服了其前身 AA-CBR 的局限性，后者可能包含未参与辩论的多余案例（即尖峰案例）。我们证明 sAA-CBR 不含尖峰案例，同时不牺牲模型的关键性质。

英文摘要：

We introduce Supported Abstract Argumentation for Case-Based Reasoning (sAA-CBR), a binary classification model in which past cases engage in debates by arguing in favour of their labelling and attacking or supporting those with opposing or agreeing labels. With supports, sAA-CBR overcomes the limitation of its precursor AA-CBR, which can contain extraneous cases (or spikes) that are not included in the debates. We prove that sAA-CBR contains no spikes, without trading off key model properties

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。