論文の概要: An Imprecise Probability Approach for Abstract Argumentation based on Credal Sets

• arxiv url: http://arxiv.org/abs/2009.07405v1
• Date: Wed, 16 Sep 2020 00:52:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 00:03:46.252632
• Title: An Imprecise Probability Approach for Abstract Argumentation based on Credal Sets
• Title（参考訳）: クレダル集合に基づく抽象議論における不正確な確率的アプローチ
• Authors: Mariela Morveli-Espinoza, Juan Carlos Nieves, and Cesar Augusto Tacla
• Abstract要約: 我々は,議論の確率値が不正確であることを考慮し,拡張の不確かさの度合いを計算する問題に取り組む。 クレーダル集合を用いて議論の不確かさをモデル化し、これらのクレーダル集合から拡張の上下境界を計算する。
• 参考スコア（独自算出の注目度）: 1.3764085113103217
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Some abstract argumentation approaches consider that arguments have a degree of uncertainty, which impacts on the degree of uncertainty of the extensions obtained from a abstract argumentation framework (AAF) under a semantics. In these approaches, both the uncertainty of the arguments and of the extensions are modeled by means of precise probability values. However, in many real life situations the exact probabilities values are unknown and sometimes there is a need for aggregating the probability values of different sources. In this paper, we tackle the problem of calculating the degree of uncertainty of the extensions considering that the probability values of the arguments are imprecise. We use credal sets to model the uncertainty values of arguments and from these credal sets, we calculate the lower and upper bounds of the extensions. We study some properties of the suggested approach and illustrate it with an scenario of decision making.
• Abstract（参考訳）: 抽象的議論のアプローチのいくつかは、議論には不確実性の程度があり、これは意味論の下で抽象的議論フレームワーク(aaf)から得られる拡張の不確実性の程度に影響を与える。 これらのアプローチでは、引数の不確かさと拡張のどちらも正確な確率値によってモデル化される。 しかし、多くの実生活では正確な確率値が不明であり、時には異なる情報源の確率値を集約する必要がある。 本稿では,議論の確率値が不正確であることを考慮し,拡張の不確かさの程度を計算する問題に取り組む。 我々は、引数の不確実性値をモデル化するためにクレダル集合を使用し、これらのクレダル集合から拡張の下限と上限を計算する。 提案手法のいくつかの特性を考察し、意思決定のシナリオで説明する。

関連論文リスト

• To Believe or Not to Believe Your LLM [51.2579827761899]
  大規模言語モデル(LLM)における不確実性定量化について検討する。 疫学的な不確実性が大きい場合にのみ確実に検出できる情報理論の指標を導出する。 定式化の利点を実証する一連の実験を行う。
  論文  参考訳（メタデータ） (2024-06-04T17:58:18Z)
• Model-Agnostic Covariate-Assisted Inference on Partially Identified Causal Effects [1.9253333342733674]
  多くの因果推定値は、潜在的な結果間の観測不能な関節分布に依存するため、部分的にしか識別できない。 本研究では,部分的同定された推定値の広いクラスに対して,統一的かつモデルに依存しない推論手法を提案する。
  論文  参考訳（メタデータ） (2023-10-12T08:17:30Z)
• Decision-Making Under Uncertainty: Beyond Probabilities [5.358161704743754]
  古典的な仮定は、確率はシステムの不確実性をすべて十分に捉えることができるというものである。 本稿では、この古典的解釈を超える不確実性に焦点を当てる。 離散モデルと連続モデルの両方に対していくつかの解法を示す。
  論文  参考訳（メタデータ） (2023-03-10T10:53:33Z)
• Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
  本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。 摂動を事前分布関数によるランダム変数として扱う。 収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
  論文  参考訳（メタデータ） (2023-01-21T00:21:11Z)
• 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)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Admissibility in Strength-based Argumentation: Complexity and Algorithms (Extended Version with Proofs) [1.5828697880068698]
  我々は、適応性に基づく意味論の強度に基づく論証フレームワーク(StrAF)への適応について研究する。 特に文献で定義された強い許容性は望ましい性質、すなわちDungの基本的な補題を満たさないことを示す。 計算(強弱)拡張に対する擬ブール制約の翻訳を提案する。
  論文  参考訳（メタデータ） (2022-07-05T18:42:04Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Orthogonal Statistical Learning [49.55515683387805]
  人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。 人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
  論文  参考訳（メタデータ） (2019-01-25T02:21:24Z)

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。