論文の概要: Harnessing Incremental Answer Set Solving for Reasoning in Assumption-Based Argumentation

• arxiv url: http://arxiv.org/abs/2108.04192v1
• Date: Mon, 9 Aug 2021 17:34:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:09:08.135064
• Title: Harnessing Incremental Answer Set Solving for Reasoning in Assumption-Based Argumentation
• Title（参考訳）: 仮定に基づく推論のための高調波インクリメンタルアンサーセットの解法
• Authors: Tuomo Lehtonen, Johannes P. Wallner, Matti J\"arvisalo
• Abstract要約: 仮定に基づく議論(ABA)は、中心的な構造化された議論形式である。 近年のASPの進歩により、ABAのNPハード推論タスクを効率的に解けるようになった。
• 参考スコア（独自算出の注目度）: 1.5469452301122177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assumption-based argumentation (ABA) is a central structured argumentation formalism. As shown recently, answer set programming (ASP) enables efficiently solving NP-hard reasoning tasks of ABA in practice, in particular in the commonly studied logic programming fragment of ABA. In this work, we harness recent advances in incremental ASP solving for developing effective algorithms for reasoning tasks in the logic programming fragment of ABA that are presumably hard for the second level of the polynomial hierarchy, including skeptical reasoning under preferred semantics as well as preferential reasoning. In particular, we develop non-trivial counterexample-guided abstraction refinement procedures based on incremental ASP solving for these tasks. We also show empirically that the procedures are significantly more effective than previously proposed algorithms for the tasks. This paper is under consideration for acceptance in TPLP.
• Abstract（参考訳）: 仮定に基づく議論 (aba) は中央構造的議論形式論である。 最近述べたように、解集合プログラミング(ASP)は、ABAのNPハード推論タスクを、特にABAのよく研究されている論理プログラミングの断片において、効率的に解くことができる。 本研究では,ABA の論理プログラミングフラグメントにおけるタスクの推論に有効なアルゴリズムを開発するために,近年の ASP 問題解決の進歩を生かし,好意的意味論に基づく懐疑的推論や優先的推論など,多項式階層の第2段階において難しいと思われるタスクを推論するアルゴリズムの開発に活用する。 特に,これらのタスクに対するインクリメンタルなasp解法に基づいて,非自明な逆例による抽象的洗練手順を開発する。 また,提案手法が従来提案していたタスクのアルゴリズムよりもはるかに効果的であることを示す。 本論文はTPLPの受容について検討中である。

関連論文リスト

• Inference-Time Computations for LLM Reasoning and Planning: A Benchmark and Insights [49.42133807824413]
  本稿では,大規模言語モデル(LLM)の複雑な課題解決における推論と計画能力について検討する。 近年の推論時間技術の発展は,LLM推論を追加訓練なしで向上させる可能性を示している。 OpenAIのo1モデルは、マルチステップ推論と検証の新たな使用を通じて、有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-02-18T04:11:29Z)
• PEA: Enhancing LLM Performance on Computational-Reasoning Tasks [21.13926189404758]
  本研究では、計算推論問題と呼ばれる重要な推論タスクのクラスを記述し、解決するための形式的なアプローチを紹介する。 このフレームワークはこれらの問題を述語と列挙の構成要素に分解し、LLMを使って特定の述語、列挙、集約ルールに基づいてプログラムを合成する。 実験的な評価により、PEAはベンチマーク計算問題における基礎となるモデルの性能を大幅に向上し、平均精度が約50%向上し、効率が向上することがわかった。
  論文  参考訳（メタデータ） (2025-02-16T00:27:05Z)
• BRiTE: Bootstrapping Reinforced Thinking Process to Enhance Language Model Reasoning [78.63421517563056]
  大規模言語モデル(LLM)は複雑な推論タスクにおいて顕著な機能を示した。 本稿では,新しいグラフィカルモデルを用いてLLM推論を定式化する統一確率的フレームワークを提案する。 本稿では,Bootstrapping Reinforced Thinking Process (BRiTE)アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2025-01-31T02:39:07Z)
• Think Beyond Size: Adaptive Prompting for More Effective Reasoning [0.0]
  本稿では,動的かつ反復的なフレームワークであるAdaptive Promptingを紹介する。 その結果、Adaptive Promptingは、算術的推論(GSM8K、MultiArithm)、論理的推論、コモンセンスタスクなど、様々な推論ベンチマークのパフォーマンスを著しく向上させることを示した。 提案手法は,計算効率を維持しつつ,GPT-4などの大規模モデルと競合する性能を実現する。
  論文  参考訳（メタデータ） (2024-10-10T17:14:36Z)
• Learning Brave Assumption-Based Argumentation Frameworks via ASP [11.768331785549947]
  ABA(Assumption-based Argumentation)は、非単調な推論のための統一的な形式主義として提唱されている。 本稿では,背景知識と肯定的/否定的な事例から学習を自動化する問題に焦点をあてる。 本稿では,変換規則に基づく新しいアルゴリズム(ロートラーニング,フォールディング,アクセプション導入,Fact Subsumptionなど)とその実装について述べる。
  論文  参考訳（メタデータ） (2024-08-19T16:13:35Z)
• H-STAR: LLM-driven Hybrid SQL-Text Adaptive Reasoning on Tables [56.73919743039263]
  本稿では,2段階のプロセスにシンボル的アプローチと意味的アプローチ(テキスト的アプローチ)を統合し,制約に対処する新しいアルゴリズムを提案する。 実験の結果,H-STARは3つの質問応答(QA)と事実検証データセットにおいて,最先端の手法を大幅に上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-06-29T21:24:19Z)
• Instantiations and Computational Aspects of Non-Flat Assumption-based Argumentation [18.32141673219938]
  非平坦なABAにおける推論のためのインスタンス化に基づくアプローチについて検討する。 非平坦なABAにおける推論のための2つのアルゴリズム的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-17T14:36:47Z)
• Learning Planning-based Reasoning by Trajectories Collection and Process Reward Synthesizing [61.98556945939045]
  収集された軌道上でのDPO(Direct Preference Optimization)を通して計画に基づく推論を学習するフレームワークを提案する。 論理的推論ベンチマークの挑戦的な結果から,学習フレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-02-01T15:18:33Z)
• LaRS: Latent Reasoning Skills for Chain-of-Thought Reasoning [61.7853049843921]
  Chain-of-Thoughting(CoT)プロンプトは、大規模言語モデル(LLM)のための一般的なコンテキスト内学習手法である。 本稿では、教師なし学習を用いて有理数の潜在空間表現を生成するLaRS(Lalatnt Reasoning Skills)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-07T20:36:10Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)

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。