論文の概要: Applying Attribution Explanations in Truth-Discovery Quantitative Bipolar Argumentation Frameworks
- arxiv url: http://arxiv.org/abs/2409.05831v1
- Date: Mon, 9 Sep 2024 17:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 13:46:22.140836
- Title: Applying Attribution Explanations in Truth-Discovery Quantitative Bipolar Argumentation Frameworks
- Title（参考訳）: 真理発見量的双極性論証フレームワークにおける属性記述の適用
- Authors: Xiang Yin, Nico Potyka, Francesca Toni,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.505289553533164
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Explaining the strength of arguments under gradual semantics is receiving increasing attention. For example, various studies in the literature offer explanations by computing the attribution scores of arguments or edges in Quantitative Bipolar Argumentation Frameworks (QBAFs). These explanations, known as Argument Attribution Explanations (AAEs) and Relation Attribution Explanations (RAEs), commonly employ removal-based and Shapley-based techniques for computing the attribution scores. While AAEs and RAEs have proven useful in several applications with acyclic QBAFs, they remain largely unexplored for cyclic QBAFs. Furthermore, existing applications tend to focus solely on either AAEs or RAEs, but do not compare them directly. In this paper, we apply both AAEs and RAEs, to Truth Discovery QBAFs (TD-QBAFs), which assess the trustworthiness of sources (e.g., websites) and their claims (e.g., the severity of a virus), and feature complex cycles. We find that both AAEs and RAEs can provide interesting explanations and can give non-trivial and surprising insights.
- Abstract（参考訳）: 段階的意味論に基づく議論の強みを説明することは、ますます注目を集めている。
例えば、文献における様々な研究は、量的双極性論証フレームワーク(QBAF)における議論やエッジの属性スコアを計算することによって説明を提供する。
これらの説明は、Argument Attribution Explanations (AAEs) とRelation Attribution Explanations (RAEs) と呼ばれ、一般的に、属性スコアの計算に、削除ベースおよびシェープリーベースの技術を用いる。
AAEとRAEは、非環状QBAFを持ついくつかの用途で有用であることが証明されているが、それらは環状QBAFに対してほとんど探索されていない。
さらに、既存のアプリケーションはAAEかRAEにのみフォーカスする傾向がありますが、直接比較することはできません。
本稿では,AAEとRAEの両方をTD-QBAF(True Discovery QBAF)に適用し,ソース(Webサイトなど)とその主張(ウィルスの重症度など)の信頼性を評価し,複雑なサイクルを特徴付ける。
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。
関連論文リスト
- GRS-QA -- 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) - Atomic Fact Decomposition Helps Attributed Question Answering [30.75332718824254]
Attributed Question Answering (AQA)は、質問に対する信頼できる回答と信頼できる属性レポートを提供することを目的としている。
本稿では,アトミックな事実分解に基づくRetrieval and Editingフレームワークを提案する。
生成した長文の回答を、命令調整されたLSMによって分子節と原子事実に分解する。
論文 参考訳（メタデータ） (2024-10-22T05:25:54Z) - CE-QArg: Counterfactual Explanations for Quantitative Bipolar Argumentation Frameworks (Technical Report) [18.505289553533164]
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。
論文 参考訳（メタデータ） (2024-07-11T13:34:11Z) - Iterative Utility Judgment Framework via LLMs Inspired by Relevance in Philosophy [66.95501113584541]
ユーティリティとトピック関連性は、情報検索において重要な手段である。
本稿では,リトリーバル拡張生成のサイクルの各ステップを促進させるために,反復的ユーティリティである JudgmEnt fraMework を提案する。
論文 参考訳（メタデータ） (2024-06-17T07:52:42Z) - 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) - 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) - CASA: Causality-driven Argument Sufficiency Assessment [79.13496878681309]
ゼロショット因果関係に基づく議論十分性評価フレームワークであるCASAを提案する。
PSは前提イベントの導入が前提イベントと結論イベントの両方が欠落した場合の結論につながる可能性を測っている。
2つの論理的誤り検出データセットの実験により、CASAは不十分な議論を正確に識別することを示した。
論文 参考訳（メタデータ） (2024-01-10T16:21:18Z) - Merging Generated and Retrieved Knowledge for Open-Domain QA [72.42262579925911]
COMBOは、より良いオープンドメインQAフレームワークのための互換性指向の知識の融合である。
COMBOは4つのテスト済みオープンドメインQAベンチマークのうち3つで競合ベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2023-10-22T19:37:06Z) - 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) - Enriching Relation Extraction with OpenIE [70.52564277675056]
関係抽出(RE)は情報抽出(IE)のサブ分野である
本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。
本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
論文 参考訳（メタデータ） (2022-12-19T11:26:23Z) - Dynamic Semantic Graph Construction and Reasoning for Explainable
Multi-hop Science Question Answering [50.546622625151926]
マルチホップQAのための説明可能性を得ながら,より有効な事実を活用できる新しいフレームワークを提案する。
a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(a) tt AMR-SG,(c) グラフ畳み込みネットワーク(GCN)を利用した事実レベルの関係モデリング,(c) 推論過程の導出を行う。
論文 参考訳（メタデータ） (2021-05-25T09:14:55Z)
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。