論文の概要: Learning Assumption-based Argumentation Frameworks

• arxiv url: http://arxiv.org/abs/2305.15921v1
• Date: Thu, 25 May 2023 10:41:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 15:47:51.537861
• Title: Learning Assumption-based Argumentation Frameworks
• Title（参考訳）: 仮定に基づく議論フレームワークの学習
• Authors: Maurizio Proietti and Francesca Toni
• Abstract要約: 本稿では,仮説ベースの議論(ABA)フレームワークを肯定的,否定的な例から生成する論理ベースの学習手法を提案する。 これらのABAフレームワークは、非階層化されるかもしれない失敗を否定するロジックプログラムにマッピングできる。
• 参考スコア（独自算出の注目度）: 10.616061367794385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel approach to logic-based learning which generates assumption-based argumentation (ABA) frameworks from positive and negative examples, using a given background knowledge. These ABA frameworks can be mapped onto logic programs with negation as failure that may be non-stratified. Whereas existing argumentation-based methods learn exceptions to general rules by interpreting the exceptions as rebuttal attacks, our approach interprets them as undercutting attacks. Our learning technique is based on the use of transformation rules, including some adapted from logic program transformation rules (notably folding) as well as others, such as rote learning and assumption introduction. We present a general strategy that applies the transformation rules in a suitable order to learn stratified frameworks, and we also propose a variant that handles the non-stratified case. We illustrate the benefits of our approach with a number of examples, which show that, on one hand, we are able to easily reconstruct other logic-based learning approaches and, on the other hand, we can work out in a very simple and natural way problems that seem to be hard for existing techniques.
• Abstract（参考訳）: 本稿では,仮説に基づく議論(ABA)フレームワークを,与えられた背景知識を用いて,肯定的および否定的な例から生成する,論理に基づく新しい学習手法を提案する。 これらのABAフレームワークは、非階層化されるかもしれない失敗を否定するロジックプログラムにマッピングできる。 従来の議論に基づく手法では,例外を反逆攻撃と解釈することで一般規則の例外を学習するが,本手法ではそれらをアンダーカット攻撃と解釈する。 私たちの学習手法は,論理プログラム変換規則(特に折り畳み型)から適応したものを含む変換規則や,ロート学習や仮定導入といった他の規則にもとづいています。 我々は,階層化フレームワークを学習するために,変換ルールを適切な順序で適用する一般的な戦略を提案し,非階層化ケースを扱う変種を提案する。 このアプローチの利点をいくつかの例で説明し、その一方で、他のロジックベースの学習アプローチを簡単に再構築することができ、一方、既存のテクニックでは難しいと思われる非常に単純で自然な方法で解決できることを示す。

関連論文リスト

• Generalisation Through Negation and Predicate Invention [18.27510863075184]
  我々は、否定と述語的発明を組み合わせた帰納論理プログラミング(ILP)アプローチを導入する。 我々は,通常の論理プログラムを否定的に学習し,発明を述語するN OPIで実装する。 複数の領域に対する実験結果から,本手法は予測精度と学習時間を向上することが示された。
  論文  参考訳（メタデータ） (2023-01-18T16:12:27Z)
• PROTOtypical Logic Tensor Networks (PROTO-LTN) for Zero Shot Learning [2.236663830879273]
  論理ネットワーク(英: Logic Networks, LTN)は、ディープニューラルネットワークに根ざした微分可能な一階述語論理に基づくニューロシンボリックシステムである。 ここでは、ほとんどの意味的画像解釈タスクをエンコードする基本となるsubsumptionまたはtextttisOfClass述語に焦点を当てる。 本稿では,オブジェクト埋め込みと対応するクラスプロトタイプ間の距離の関数を真理レベルとする,共通のtextttisOfClass述語を提案する。
  論文  参考訳（メタデータ） (2022-06-26T18:34:07Z)
• MERIt: Meta-Path Guided Contrastive Learning for Logical Reasoning [63.50909998372667]
  テキストの論理的ReasonIngに対して,Metaパスを用いたコントラスト学習手法であるMERItを提案する。 2つの新しい戦略が我々の手法の必須要素である。
  論文  参考訳（メタデータ） (2022-03-01T11:13:00Z)
• Transductive Learning for Unsupervised Text Style Transfer [60.65782243927698]
  教師なしスタイル転送モデルは、主に帰納的学習アプローチに基づいている。 本稿では,検索に基づく文脈認識スタイルの表現に基づく新しいトランスダクティブ学習手法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T08:57:20Z)
• Learning Symbolic Rules for Interpretable Deep Reinforcement Learning [31.29595856800344]
  DRLにシンボリックロジックを導入することにより,ニューラルシンボリック強化学習フレームワークを提案する。 私たちのフレームワークは、最先端のアプローチと比較して、より優れた解釈性と競合するパフォーマンスを示します。
  論文  参考訳（メタデータ） (2021-03-15T09:26:00Z)
• Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
  論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。 外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
  論文  参考訳（メタデータ） (2021-03-03T12:34:59Z)
• Learning explanations that are hard to vary [75.30552491694066]
  例を越えた平均化は、異なる戦略を縫合する記憶とパッチワークのソリューションに有利であることを示す。 そこで我々は論理ANDに基づく単純な代替アルゴリズムを提案し,実験的に検証する。
  論文  参考訳（メタデータ） (2020-09-01T10:17:48Z)
• Rule-based Bayesian regression [0.90238471756546]
  回帰問題に対処する新しいルールベースのアプローチを導入する。 新しい手法は2つの枠組みから成り立っている: (i)ベイズ的推論を用いて利害パラメータの不確実性に関する情報を提供する; (ii)ルールベースのシステムを通じて専門家の知識を組み込むことを可能にする。
  論文  参考訳（メタデータ） (2020-08-02T07:20:45Z)
• The ILASP system for Inductive Learning of Answer Set Programs [79.41112438865386]
  我々のシステムは、通常の規則、選択規則、厳しい制約を含むアンサーセットプログラムを学習する。 まず、ILASPの学習フレームワークとその機能の概要を説明します。 続いて、ILASPシステムの進化を概観する。
  論文  参考訳（メタデータ） (2020-05-02T19:04:12Z)
• Hierarchical Variational Imitation Learning of Control Programs [131.7671843857375]
  パラメータ化された階層的手順(PHP)で表される制御ポリシーの模倣学習のための変分推論手法を提案する。 本手法は, 教師による実演の観察・行動トレースのデータセットにおける階層構造を, 手続き呼び出しや用語の待ち行列に近似した後続分布を学習することによって発見する。 階層的模倣学習(hierarchical mimicion learning)の文脈における変分推論の新たな利点を実証する。
  論文  参考訳（メタデータ） (2019-12-29T08:57:02Z)

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。