論文の概要: CE-QArg: Counterfactual Explanations for Quantitative Bipolar Argumentation Frameworks (Technical Report)

• arxiv url: http://arxiv.org/abs/2407.08497v2
• Date: Mon, 11 Nov 2024 11:19:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 17:14:38.972384
• Title: CE-QArg: Counterfactual Explanations for Quantitative Bipolar Argumentation Frameworks (Technical Report)
• Title（参考訳）: CE-QArg:量的双極性論証フレームワークの非現実的説明(技術報告)
• Authors: Xiang Yin, Nico Potyka, Francesca Toni,
• Abstract要約: 定量的双極性論証フレームワーク (CE-QArg) に対する対実的説明法という反復的アルゴリズムを提案する。 CE-QArgは2つのコアモジュール(極性と優先度)に基づいて有効で費用対効果のある説明を特定できる。 本稿では, CE-QArg をランダムに生成した QBAF 上で実証的に評価する。
• 参考スコア（独自算出の注目度）: 18.505289553533164
• License:
• Abstract: There is a growing interest in understanding arguments' strength in Quantitative Bipolar Argumentation Frameworks (QBAFs). Most existing studies focus on attribution-based methods that explain an argument's strength by assigning importance scores to other arguments but fail to explain how to change the current strength to a desired one. To solve this issue, we introduce counterfactual explanations for QBAFs. We discuss problem variants and propose an iterative algorithm named Counterfactual Explanations for Quantitative bipolar Argumentation frameworks (CE-QArg). CE-QArg can identify valid and cost-effective counterfactual explanations based on two core modules, polarity and priority, which help determine the updating direction and magnitude for each argument, respectively. We discuss some formal properties of our counterfactual explanations and empirically evaluate CE-QArg on randomly generated QBAFs.
• Abstract（参考訳）: 量的双極性論証フレームワーク(QBAF)では、議論の強みを理解することへの関心が高まっている。 既存の研究の多くは、重要なスコアを他の議論に割り当てることによって議論の強みを説明する帰属的手法に焦点を当てているが、現在の強みを望ましいものに変える方法を説明できない。 この問題を解決するために,QBAFの事実的説明を紹介する。 本稿では,問題変種を議論し,定量的双極性調停フレームワーク(CE-QArg)のための対実的説明法という反復的アルゴリズムを提案する。 CE-QArgは2つのコアモジュール(極性と優先度)に基づいて有効かつ費用効果の高い反実的説明を特定でき、各引数の更新方向と大きさをそれぞれ決定できる。 本稿では, CE-QArg をランダムに生成した QBAF 上で実証的に評価する。

関連論文リスト

• GRSQA -- Graph Reasoning-Structured Question Answering Dataset [50.223851616680754]
  グラフ推論-構造化質問応答データセット(GRS-QA)を導入する。 既存のM-QAデータセットとは異なり、GRS-QAは推論グラフを構築することで複雑な推論経路を明示的にキャプチャする。 実験により, LLMは, 様々な推論構造を用いて, 問合せ処理を行う際に, 異なる性能を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2024-11-01T05:14:03Z)
• Explaining Bayesian Networks in Natural Language using Factor Arguments. Evaluation in the medical domain [5.999262679775618]
  因子論の独立性の概念を導入し、議論がいつ共同で、あるいは別々に提示されるべきかという問題に対処する。 本稿では,その強みによって順序付けられたすべての独立因子の引数のリストを生成するアルゴリズムを提案する。 本提案は,ヒトによる評価研究を通じて,医学領域において検証されている。
  論文  参考訳（メタデータ） (2024-10-23T17:33:27Z)
• Applying Attribution Explanations in Truth-Discovery Quantitative Bipolar Argumentation Frameworks [18.505289553533164]
  AAE(Argument Attribution Explanations)とRAE(Relation Attribution Explanations)は、段階的意味論の下での議論の強さを説明するために用いられる。 AAEとRAEをTruth Discovery QBAFに適用し、ソースとそのクレームの信頼性を評価する。 AAEとRAEの両方が興味深い説明を提供し、非自明で驚くべき洞察を与えることができることがわかりました。
  論文  参考訳（メタデータ） (2024-09-09T17:36:39Z)
• Counterfactual and Semifactual Explanations in Abstract Argumentation: Formal Foundations, Complexity and Computation [19.799266797193344]
  議論ベースのシステムは、意思決定プロセスをサポートしながら説明責任を欠くことが多い。 対実的・半実的な説明は解釈可能性のテクニックである。 本稿では,制約の弱いArgumentation Frameworkにおいて,逆ファクトおよび半ファクトのクエリを符号化可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T07:27:27Z)
• Explaining Arguments' Strength: Unveiling the Role of Attacks and Supports (Technical Report) [13.644164255651472]
  関係属性説明(RAE)の新理論を提案する。 RAEは、攻撃の役割に関するきめ細かい洞察を提供し、議論の強さを得るための定量的双極性議論を支援する。 不正検出および大規模言語モデルケーススタディにおけるRAEの応用価値を示す。
  論文  参考訳（メタデータ） (2024-04-22T16:02:48Z)
• Mitigating Misleading Chain-of-Thought Reasoning with Selective Filtering [59.495717939664246]
  大規模言語モデルは、複雑な問題を解くためにチェーン・オブ・ソート(CoT)推論技術を活用することで、顕著な能力を示した。 本稿では,選択フィルタリング推論(SelF-Reasoner)と呼ばれる新しい手法を提案する。 SelF-ReasonerはScienceQA、ECQA、LastLetterタスクに対して、微調整されたT5ベースラインを一貫して改善する。
  論文  参考訳（メタデータ） (2024-03-28T06:28:35Z)
• Argument Attribution Explanations in Quantitative Bipolar Argumentation Frameworks (Technical Report) [17.9926469947157]
  本稿では,機械学習による特徴帰属の精神を取り入れたArgument Explanations(AAE)の新たな理論を提案する。 AAEは、興味のある話題の議論に対する議論の影響を決定するために使用される。 我々はAAEsの望ましい性質について研究し、その中には新しいものもいくつか含まれており、一部は文献から我々の設定に部分的に適応している。
  論文  参考訳（メタデータ） (2023-07-25T15:36:33Z)
• Explanation Selection Using Unlabeled Data for Chain-of-Thought Prompting [80.9896041501715]
  非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。 本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T18:02:34Z)
• Logical Satisfiability of Counterfactuals for Faithful Explanations in NLI [60.142926537264714]
  本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。 これは、説明に表される論理述語に基づいて、反実仮説を生成する。 そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
  論文  参考訳（メタデータ） (2022-05-25T03:40:59Z)
• Maieutic Prompting: Logically Consistent Reasoning with Recursive Explanations [71.2950434944196]
  ノイズや一貫性のない言語モデルでさえも問題に対する正しい答えを推測するMaieutic Promptingを開発する。 Maieutic Promptingは最先端のプロンプト法よりも最大20%精度が高い。
  論文  参考訳（メタデータ） (2022-05-24T06:36:42Z)
• From Checking to Inference: Actual Causality Computations as Optimization Problems [79.87179017975235]
  本稿では、最適化問題として二元非巡回モデルよりも、因果推論の異なる概念を定式化するための新しいアプローチを提案する。 8000ドル以上の変数を持つモデルを用いて,MaxSAT が ILP を上回り,数秒単位でチェック処理を行う場合が多い。
  論文  参考訳（メタデータ） (2020-06-05T10:56:52Z)

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。