論文の概要: Neuro-Argumentative Learning with Case-Based Reasoning

• arxiv url: http://arxiv.org/abs/2505.15742v1
• Date: Wed, 21 May 2025 16:49:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.78587
• Title: Neuro-Argumentative Learning with Case-Based Reasoning
• Title（参考訳）: ケースベース推論によるニューロArgumentative Learning
• Authors: Adam Gould, Francesca Toni,
• Abstract要約: 本稿では,データ駆動型ニューロシンボリック分類モデルであるGradual Abstract Argumentation for Case-Based Reasoning (Gradual AA-CBR)を紹介する。 議論の各議論は、トレーニングデータから観察されたケースであり、ラベル付けを好んでいる。 ケースは、各議論の強さと、勾配に基づく手法で学んだ関係によって、反対または同意するラベルを持つ人々を攻撃するか、または支援する。
• 参考スコア（独自算出の注目度）: 12.489784979345654
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce Gradual Abstract Argumentation for Case-Based Reasoning (Gradual AA-CBR), a data-driven, neurosymbolic classification model in which the outcome is determined by an argumentation debate structure that is learned simultaneously with neural-based feature extractors. Each argument in the debate is an observed case from the training data, favouring their labelling. Cases attack or support those with opposing or agreeing labellings, with the strength of each argument and relationship learned through gradient-based methods. This argumentation debate structure provides human-aligned reasoning, improving model interpretability compared to traditional neural networks (NNs). Unlike the existing purely symbolic variant, Abstract Argumentation for Case-Based Reasoning (AA-CBR), Gradual AA-CBR is capable of multi-class classification, automatic learning of feature and data point importance, assigning uncertainty values to outcomes, using all available data points, and does not require binary features. We show that Gradual AA-CBR performs comparably to NNs whilst significantly outperforming existing AA-CBR formulations.
• Abstract（参考訳）: データ駆動型ニューロシンボリック分類モデルであるGradual Abstract Argumentation for Case-Based Reasoning (Gradual AA-CBR)を導入する。 議論の各議論は、トレーニングデータから観察されたケースであり、ラベル付けを好んでいる。 ケースは、各議論の強さと、勾配に基づく手法で学んだ関係によって、反対または同意するラベルを持つ人々を攻撃するか、または支援する。 この議論の議論構造は、従来のニューラルネットワーク(NN)と比較して、人間の整合推論を提供し、モデルの解釈可能性を改善する。 既存の純粋なシンボリック変種であるケースベース推論(AA-CBR)とは異なり、Gradual AA-CBRは多クラス分類、特徴とデータポイントの重要性の自動学習、不確実な値を結果に割り当て、利用可能なすべてのデータポイントを使用し、バイナリ機能を必要としない。 既存のAA-CBRの定式化を著しく上回りながら,Gradual AA-CBRはNNと相容れない性能を示した。

関連論文リスト

• SIC: Similarity-Based Interpretable Image Classification with Neural Networks [3.0248879829045388]
  SICは、意思決定プロセスのローカルおよびグローバルな説明を提供するニューラルネットワークである。 SICは,Stanford DogsとFunnyBirdsのきめ細かい分類,Pascal VOCの多ラベル分類,RSNAデータセットの病理診断の3つのタスクで評価した。
  論文  参考訳（メタデータ） (2025-01-28T22:39:03Z)
• Preference-Based Abstract Argumentation for Case-Based Reasoning (with Appendix) [9.5382175632919]
  ケースベース推論(AA-CBR-Pと呼ぶ)のための参照ベース抽象記述法を提案する。 これにより、ユーザーはケースを比較するための複数のアプローチを、これらの比較アプローチよりも好みを指定する順序付けと定義することができる。 我々は、実際の医療データセット上で、我々のアプローチが他の解釈可能な機械学習モデルより優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2024-07-31T18:31:04Z)
• Efficient argument classification with compact language models and ChatGPT-4 refinements [0.0]
  本稿では,議論マイニングにおける深層学習モデルの比較研究について述べる。 本稿では,BERTアーキテクチャに基づくアンサンブルモデルと,微調整モデルとしてのChatGPT-4について述べる。 以上の結果から,BERT+ChatGPT-4は他のTransformerベースモデルやLSTMベースモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-20T16:24:10Z)
• Technical Report on the Learning of Case Relevance in Case-Based Reasoning with Abstract Argumentation [14.755026411356315]
  我々は、意思決定木を用いて、実際にどのように関連性を学ぶことができるかを示す。 また,AA-CBRによるケース関係の学習により,決定木よりもコンパクトな表現が得られることを示す。
  論文  参考訳（メタデータ） (2023-10-30T15:01:41Z)
• Machine Reading Comprehension using Case-based Reasoning [92.51061570746077]
  本稿では,機械読解における解答抽出の正確かつ解釈可能な手法を提案する。 本手法は,類似した質問に対する文脈的回答が相互に意味的類似性を共有するという仮説に基づいている。
  論文  参考訳（メタデータ） (2023-05-24T07:09:56Z)
• Neural Unsupervised Semantic Role Labeling [48.69930912510414]
  セマンティックロールラベリングのための最初の神経教師なしモデルを提案する。 タスクを2つの引数関連サブタスク、識別とクラスタリングとして分解する。 CoNLL-2009英語データセットの実験では、我々のモデルは過去の最先端のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-19T04:50:16Z)
• High-order Semantic Role Labeling [86.29371274587146]
  本稿では,ニューラルセマンティックロールラベリングモデルのための高階グラフ構造を提案する。 これにより、モデルは孤立述語-引数対だけでなく、述語-引数対間の相互作用も明示的に考慮することができる。 CoNLL-2009ベンチマークの7つの言語に対する実験結果から、高次構造学習技術は強力なSRLモデルに有益であることが示された。
  論文  参考訳（メタデータ） (2020-10-09T15:33:54Z)

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。