論文の概要: Explainable AI through the Learning of Arguments

• arxiv url: http://arxiv.org/abs/2202.00383v1
• Date: Tue, 1 Feb 2022 12:52:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 19:19:04.950031
• Title: Explainable AI through the Learning of Arguments
• Title（参考訳）: 議論の学習を通して説明可能なAI
• Authors: Jonas Bei, David Pomerenke, Lukas Schreiner, Sepideh Sharbaf, Pieter Collins, Nico Roos
• Abstract要約: シンボリック機械学習技術は、中間表現として引数の集合を学ぶ。 本稿では,Verheij氏が提唱する「ケースモデル」から議論の学習について考察する。 ケースモデルからの議論の学習をHeROアルゴリズムと比較し,決定木を学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning arguments is highly relevant to the field of explainable artificial intelligence. It is a family of symbolic machine learning techniques that is particularly human-interpretable. These techniques learn a set of arguments as an intermediate representation. Arguments are small rules with exceptions that can be chained to larger arguments for making predictions or decisions. We investigate the learning of arguments, specifically the learning of arguments from a 'case model' proposed by Verheij [34]. The case model in Verheij's approach are cases or scenarios in a legal setting. The number of cases in a case model are relatively low. Here, we investigate whether Verheij's approach can be used for learning arguments from other types of data sets with a much larger number of instances. We compare the learning of arguments from a case model with the HeRO algorithm [15] and learning a decision tree.
• Abstract（参考訳）: 学習の議論は、説明可能な人工知能の分野と非常に関係がある。 これは、特に人間に解釈可能なシンボリック機械学習技術のファミリーである。 これらのテクニックは、中間表現として引数の集合を学ぶ。 引数は、予測や決定を行うためのより大きな引数にチェーンできる例外を持つ小さなルールである。 議論の学習,特にVerheij [34]の提案した「ケースモデル」からの議論の学習について検討する。 verheijのアプローチのケースモデルは、法的設定のケースまたはシナリオである。 ケースモデルのケース数は相対的に少ない。 本稿では、verheijのアプローチが、より多くのインスタンスを持つ他の種類のデータセットから引数を学ぶのに使えるかどうかについて検討する。 ケースモデルからの議論の学習とHeROアルゴリズム [15] を比較し,意思決定木を学習する。

関連論文リスト

• "Let's Argue Both Sides": Argument Generation Can Force Small Models to Utilize Previously Inaccessible Reasoning Capabilities [0.8999666725996974]
  本稿では,モデルに推論能力の活用を強制する手法として,Argument Generationを提案する。 提案手法では,可能な各推論結果に対する引数の生成と,生成した引数のランク付けをエンドモデルに依頼する。
  論文  参考訳（メタデータ） (2024-10-16T19:49:30Z)
• Explaining Datasets in Words: Statistical Models with Natural Language Parameters [66.69456696878842]
  本稿では, クラスタリング, 時系列, 分類モデルなど, 自然言語の述語によってパラメータ化される統計モデル群を紹介する。 当社のフレームワークは、ユーザチャット対話の分類、時間の経過とともにどのように進化するかの特徴付け、一方の言語モデルが他方よりも優れているカテゴリを見つけることなど、幅広い問題に適用しています。
  論文  参考訳（メタデータ） (2024-09-13T01:40:20Z)
• 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)
• AutoAM: An End-To-End Neural Model for Automatic and Universal Argument Mining [0.0]
  これらの問題を解決するために,AutoAMと呼ばれる新しいニューラルモデルを提案する。 我々のモデルは、ツリー構造のような制約なしに引数構造を解析できる普遍的なエンドツーエンドフレームワークである。
  論文  参考訳（メタデータ） (2023-09-17T15:26:21Z)
• Interpretability at Scale: Identifying Causal Mechanisms in Alpaca [62.65877150123775]
  本研究では、Boundless DASを用いて、命令に従う間、大規模言語モデルにおける解釈可能な因果構造を効率的に探索する。 私たちの発見は、成長し、最も広くデプロイされている言語モデルの内部構造を忠実に理解するための第一歩です。
  論文  参考訳（メタデータ） (2023-05-15T17:15:40Z)
• ArgU: A Controllable Factual Argument Generator [0.0]
  ArgUは、入力された事実と実世界の概念から現実の議論を生成することができる神経引数生成器である。 我々は6つのトピックと6つの引数スキームにまたがる69,428の引数からなる注釈付きコーパスを作成した。
  論文  参考訳（メタデータ） (2023-05-09T10:49:45Z)
• Retrieval-Augmented Generative Question Answering for Event Argument Extraction [66.24622127143044]
  イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。 最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。 提案手法は, 様々な設定において, かなり先行した手法より優れている。
  論文  参考訳（メタデータ） (2022-11-14T02:00:32Z)
• Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit Argument Relations [70.35379323231241]
  本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。 我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。 実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2021-06-23T13:24:39Z)
• Extracting Implicitly Asserted Propositions in Argumentation [8.20413690846954]
  本研究では,議論において暗黙的に主張された命題,報告された言論,命令文を抽出する手法について検討した。 本研究は,これらのレトリック装置の論証マイニングとセマンティクスに関する今後の研究について報告する。
  論文  参考訳（メタデータ） (2020-10-06T12:03:47Z)
• Aspect-Controlled Neural Argument Generation [65.91772010586605]
  我々は、与えられたトピック、スタンス、アスペクトの文レベル引数を生成するために、きめ細かいレベルで制御できる引数生成のための言語モデルを訓練する。 評価の結果,我々の生成モデルは高品質なアスペクト特異的な議論を生成できることがわかった。 これらの議論は、データ拡張による姿勢検出モデルの性能向上と、逆問題の生成に使用できる。
  論文  参考訳（メタデータ） (2020-04-30T20:17:22Z)
• AMPERSAND: Argument Mining for PERSuAsive oNline Discussions [41.06165177604387]
  本稿では,オンライン議論フォーラムにおける議論マイニングのための計算モデルを提案する。 我々のアプローチは、議論スレッド内の引数のコンポーネント間の関係を識別することに依存します。 我々のモデルは最近の最先端のアプローチと比較して大幅に改善されている。
  論文  参考訳（メタデータ） (2020-04-30T10:33:40Z)

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。