論文の概要: Deep Learning for Abstract Argumentation Semantics

• arxiv url: http://arxiv.org/abs/2007.07629v2
• Date: Thu, 16 Jul 2020 09:48:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 04:42:42.622700
• Title: Deep Learning for Abstract Argumentation Semantics
• Title（参考訳）: 抽象構文解析のための深層学習
• Authors: Dennis Craandijk and Floris Bex
• Abstract要約: 本稿では,いくつかの抽象的論証セマンティクスの下での議論の受け入れを決定するための学習に基づくアプローチを提案する。 本稿では,議論が受け入れられる確率を予測するために,メッセージパスアルゴリズムを学習する議論グラフニューラルネットワーク(AGNN)を提案する。
• 参考スコア（独自算出の注目度）: 3.759936323189418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a learning-based approach to determining acceptance of arguments under several abstract argumentation semantics. More specifically, we propose an argumentation graph neural network (AGNN) that learns a message-passing algorithm to predict the likelihood of an argument being accepted. The experimental results demonstrate that the AGNN can almost perfectly predict the acceptability under different semantics and scales well for larger argumentation frameworks. Furthermore, analysing the behaviour of the message-passing algorithm shows that the AGNN learns to adhere to basic principles of argument semantics as identified in the literature, and can thus be trained to predict extensions under the different semantics - we show how the latter can be done for multi-extension semantics by using AGNNs to guide a basic search. We publish our code at https://github.com/DennisCraandijk/DL-Abstract-Argumentation
• Abstract（参考訳）: 本稿では,複数の抽象的論証セマンティクスの下での議論の受容を決定するための学習に基づくアプローチを提案する。 より具体的には、議論が受け入れられる可能性を予測するためにメッセージパスアルゴリズムを学習する議論グラフニューラルネットワーク(AGNN)を提案する。 実験の結果、AGNNは、異なるセマンティクスの下での受け入れ可能性をほぼ完全に予測でき、より大きな議論フレームワークに対してうまくスケールできることが示された。 さらに、メッセージパッシングアルゴリズムの振る舞いを分析することは、AGNNが文献で特定された議論の意味論の基本原則に従うことを学び、それによって異なる意味論の下で拡張を予測するために訓練できることを示している。 https://github.com/DennisCraandijk/DL-Abstract-Argumentationでコードを公開しています。

関連論文リスト

• DMON: A Simple yet Effective Approach for Argument Structure Learning [33.96187185638286]
  引数構造学習(Argument Structure Learning, ASL)は、引数間の関係を予測する。 広範に活用されているにもかかわらず、ASLは文間の複雑な関係を潜在的に構造化されていない言説で検証するので、難しい課題である。 ASLタスクのためのDual-tower Multi-scale cOnvolution Neural Network(DMON)と呼ばれるシンプルで効果的なアプローチを開発した。
  論文  参考訳（メタデータ） (2024-05-02T11:56:16Z)
• Pixel Sentence Representation Learning [67.4775296225521]
  本研究では,視覚表現学習プロセスとして,文レベルのテキスト意味論の学習を概念化する。 タイポスや単語順シャッフルのような視覚的に接地されたテキスト摂動法を採用し、人間の認知パターンに共鳴し、摂動を連続的に認識できるようにする。 我々のアプローチは、大規模に教師なしのトピックアライメントトレーニングと自然言語推論監督によってさらに強化されている。
  論文  参考訳（メタデータ） (2024-02-13T02:46:45Z)
• A Unifying Framework for Learning Argumentation Semantics [50.69905074548764]
  Inductive Logic Programmingアプローチを用いて、抽象的および構造化された議論フレームワークのアクセシビリティセマンティクスを解釈可能な方法で学習する新しいフレームワークを提案する。 提案手法は既存の議論解法よりも優れており,フォーマルな議論や人間と機械の対話の領域において,新たな研究の方向性が開けることになる。
  論文  参考訳（メタデータ） (2023-10-18T20:18:05Z)
• Ranking-based Argumentation Semantics Applied to Logical Argumentation (full version) [2.9005223064604078]
  構造化議論におけるランキングベースセマンティクスの振る舞いについて検討する。 ランキングに基づく多種多様なセマンティクスが,いわゆる計算可能性尺度を生み出していることを示す。
  論文  参考訳（メタデータ） (2023-07-31T15:44:33Z)
• Many-valued Argumentation, Conditionals and a Probabilistic Semantics for Gradual Argumentation [3.9571744700171743]
  本稿では,段階的議論の意味論の多値優先的解釈を定義するための一般的な手法を提案する。 概念の証明として、有限値の場合、条件付き推論に対してAnswer set Programmingアプローチが提案される。 また,多値条件セマンティクスに基づく漸進的議論の確率論的セマンティクスを開発し,論じる。
  論文  参考訳（メタデータ） (2022-12-14T22:10:46Z)
• Fine-Grained Visual Entailment [51.66881737644983]
  そこで本稿では,テキストから画像への微粒な知識要素の論理的関係を予測することを目的として,このタスクの拡張を提案する。 従来の研究とは異なり、本手法は本質的に説明可能であり、異なるレベルの粒度で論理的予測を行う。 本手法は,手動でアノテートした知識要素のデータセットを用いて評価し,この課題に対して68.18%の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T16:09:38Z)
• The Inverse Problem for Argumentation Gradual Semantics [8.860629791560198]
  このような意味論のサブクラス、いわゆる重み付き意味論は、引数に対する初期重みのセットを入力として取る。 このような重み付き意味論に対する逆問題を考える。 すなわち、議論の枠組みと望ましい議論のランキングが与えられた場合、特定の意味論が与えられたランキングを生成するような初期重みが存在するかどうかを問う。
  論文  参考訳（メタデータ） (2022-02-01T09:46:23Z)
• Contextualized Semantic Distance between Highly Overlapped Texts [85.1541170468617]
  テキスト編集や意味的類似性評価といった自然言語処理タスクにおいて、ペア化されたテキストに重複が頻繁に発生する。 本稿では,マスク・アンド・予測戦略を用いてこの問題に対処することを目的とする。 本稿では,最も長い単語列の単語を隣接する単語とみなし,その位置の分布を予測するためにマスク付き言語モデリング(MLM)を用いる。 セマンティックテキスト類似性の実験では、NDDは様々な意味的差異、特に高い重なり合うペアテキストに対してより敏感であることが示されている。
  論文  参考訳（メタデータ） (2021-10-04T03:59:15Z)
• Great Service! Fine-grained Parsing of Implicit Arguments [7.785534704637891]
  ある種の暗黙の議論は、他のものよりも解析するのが困難であることを示す。 この作業は、暗黙的かつ未特定な言語をより理解しやすくし、それを意味表現にホリスティックに組み込む。
  論文  参考訳（メタデータ） (2021-06-04T15:50:35Z)
• Infusing Finetuning with Semantic Dependencies [62.37697048781823]
  シンタックスとは異なり、セマンティクスは今日の事前訓練モデルによって表面化されないことを示す。 次に、畳み込みグラフエンコーダを使用して、タスク固有の微調整にセマンティック解析を明示的に組み込む。
  論文  参考訳（メタデータ） (2020-12-10T01:27:24Z)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。