論文の概要: A novel structured argumentation framework for improved explainability
of classification tasks
- arxiv url: http://arxiv.org/abs/2306.15500v1
- Date: Tue, 27 Jun 2023 14:24:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 13:11:43.956869
- Title: A novel structured argumentation framework for improved explainability
of classification tasks
- Title（参考訳）: 分類タスクの説明可能性向上のための新しい構造化議論フレームワーク
- Authors: Lucas Rizzo and Luca Longo
- Abstract要約: xADG$フレームワークは、引数が論理演算子と内部構造内で複数の前提(サポート)を使用することを可能にする。
本研究は,様々な大きさの分類タスクにおける,そのサイズと予測能力を評価する。
- 参考スコア（独自算出の注目度）: 5.482532589225552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a novel framework for structured argumentation, named
extend argumentative decision graph ($xADG$). It is an extension of
argumentative decision graphs built upon Dung's abstract argumentation graphs.
The $xADG$ framework allows for arguments to use boolean logic operators and
multiple premises (supports) within their internal structure, resulting in more
concise argumentation graphs that may be easier for users to understand. The
study presents a methodology for construction of $xADGs$ and evaluates their
size and predictive capacity for classification tasks of varying magnitudes.
Resulting $xADGs$ achieved strong (balanced) accuracy, which was accomplished
through an input decision tree, while also reducing the average number of
supports needed to reach a conclusion. The results further indicated that it is
possible to construct plausibly understandable $xADGs$ that outperform other
techniques for building $ADGs$ in terms of predictive capacity and overall
size. In summary, the study suggests that $xADG$ represents a promising
framework to developing more concise argumentative models that can be used for
classification tasks and knowledge discovery, acquisition, and refinement.
- Abstract（参考訳）: 本稿では,構造化議論のための新しいフレームワークであるextended argumentative decision graph(xadg$)を提案する。
これはダングの抽象的議論グラフの上に構築された議論的決定グラフの拡張である。
xADG$フレームワークは、引数が内部構造内でブール論理演算子と複数の前提(サポート)を使用することを可能にする。
この研究は、$xADGs$の構築方法を示し、そのサイズと予測能力について、様々な大きさの分類タスクについて評価する。
その結果、$xadgs$ は強い(バランスの取れた)精度を達成し、それは入力決定木によって達成され、また結論に達するのに必要なサポートの平均数を削減した。
さらに、予測能力と全体的なサイズで$ADGs$を構築する他の手法よりも優れた$xADGs$を構築することが可能であることを示した。
要約すると、$xADG$は、分類タスクや知識発見、取得、洗練に使用できるより簡潔な議論モデルを開発するための、有望なフレームワークであることを示唆している。
関連論文リスト
- Generating $SROI^-$ Ontologies via Knowledge Graph Query Embedding Learning [26.905431434167536]
本稿では,このグラフから学習した知識を,SROI-$記述論理公理の形で記述する新しいクエリ埋め込み手法AConEを提案する。
AConEはパラメータが少なく、以前のベースラインよりも優れた結果が得られる。
我々は,公理を表現する能力が問合せ応答の結果に肯定的な影響を及ぼすことを示す包括的分析を行った。
論文 参考訳（メタデータ） (2024-07-12T12:20:39Z) - Decision Predicate Graphs: Enhancing Interpretability in Tree Ensembles [1.6021728114882514]
Decision Predicate Graph (DPG)は、木に基づくアンサンブルモデルと学習データセットの詳細をキャプチャするグラフ構造である。
DPGはモデルにさらに定量的な洞察を与え、可視化技術を補完し、問題空間の記述を拡張する。
実証実験は、従来のベンチマークや複雑な分類シナリオに対処する上で、DSGの可能性を実証している。
論文 参考訳（メタデータ） (2024-04-03T12:38:12Z) - Hi-ArG: Exploring the Integration of Hierarchical Argumentation Graphs
in Language Pretraining [62.069374456021016]
議論を整理する新しい構造である階層的議論グラフ(Hi-ArG)を提案する。
また,テキストグラフマルチモーダルモデルであるGreaseArGや,グラフ情報を付加した新たな事前学習フレームワークなど,Hi-ArGを活用するための2つのアプローチを導入する。
論文 参考訳（メタデータ） (2023-12-01T19:03:38Z) - Transformers in the Service of Description Logic-based Contexts [2.8210912543324658]
私たちは記述論理言語$mathcalALCQ$を使って自然言語データセットDELTA$_D$を構築します。
教師付き細調整DeBERTaモデルと2つの大言語モデル(GPT-3.5, GPT-4)の推論能力について検討した。
以上の結果から,DeBERTaをベースとしたモデルでは推論タスクをマスターすることができ,少数のサンプルが提供されてもGPTの性能は大幅に向上することが示された。
論文 参考訳（メタデータ） (2023-11-15T13:23:24Z) - Weisfeiler and Leman Go Measurement Modeling: Probing the Validity of the WL Test [58.1543112860658]
グラフ機械学習実践者の表現力概念化と$k$-WLとの相違を明らかにする。
ベンチマークに基づく表現力の拡張的定義と測定について論じる。
論文 参考訳（メタデータ） (2023-07-11T20:06:12Z) - DAPDAG: Domain Adaptation via Perturbed DAG Reconstruction [78.76115370275733]
本研究では,人口統計量の推定を行う自動エンコーダを学習し,有向非巡回グラフ(DAG)を補助的タスクとして再構築する。
基礎となるDAG構造は、条件分布が潜伏環境変数$E$によって導かれる領域間で変化することが許される観測変数の間で不変であると仮定される。
我々は、エンコーダとデコーダをエンドツーエンドで共同で訓練し、混合変数を用いた合成および実データセットの実験を行う。
論文 参考訳（メタデータ） (2022-08-02T11:43:03Z) - Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。
マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。
理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
論文 参考訳（メタデータ） (2021-11-03T22:10:18Z) - A Formalisation of Abstract Argumentation in Higher-Order Logic [77.34726150561087]
本稿では,古典的高階論理へのエンコーディングに基づく抽象的議論フレームワークの表現手法を提案する。
対話型および自動推論ツールを用いた抽象的議論フレームワークのコンピュータ支援評価のための一様フレームワークを提供する。
論文 参考訳（メタデータ） (2021-10-18T10:45:59Z) - Neural Transition System for End-to-End Opinion Role Labeling [13.444895891262844]
統一世論役割ラベルリング(ORL)は、意見保有者目標の可能なすべての意見構造を1ショットで検出することを目的としている。
我々は、遷移アーキテクチャを再考し、ポインタネットワーク(PointNet)で拡張することで、新しいソリューションを提案する。
このフレームワークは、線形時間複雑性におけるすべての意見構造を解析し、PointNetとの任意の項長の制限を突破する。
論文 参考訳（メタデータ） (2021-10-05T12:45:59Z) - Improving Robustness and Generality of NLP Models Using Disentangled
Representations [62.08794500431367]
スーパービジョンニューラルネットワークはまず入力$x$を単一の表現$z$にマップし、次に出力ラベル$y$にマッピングする。
本研究では,非交叉表現学習の観点から,NLPモデルの堅牢性と汎用性を改善する手法を提案する。
提案した基準でトレーニングしたモデルは、広範囲の教師付き学習タスクにおいて、より堅牢性とドメイン適応性を向上することを示す。
論文 参考訳（メタデータ） (2020-09-21T02:48:46Z)
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。