論文の概要: Contestability in Quantitative Argumentation

• arxiv url: http://arxiv.org/abs/2507.11323v1
• Date: Tue, 15 Jul 2025 13:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:03.135312
• Title: Contestability in Quantitative Argumentation
• Title（参考訳）: 量的論証における矛盾性
• Authors: Xiang Yin, Nico Potyka, Antonio Rago, Timotheus Kampik, Francesca Toni,
• Abstract要約: 競争可能なAIは、AIによる決定が人間の好みに合致することを要求する。 この目的のためにEdge-Weighted Quantal Argumentation Framework(EW-QBAF)をどのようにデプロイできるかを示す。
• 参考スコア（独自算出の注目度）: 17.970433977091922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contestable AI requires that AI-driven decisions align with human preferences. While various forms of argumentation have been shown to support contestability, Edge-Weighted Quantitative Bipolar Argumentation Frameworks (EW-QBAFs) have received little attention. In this work, we show how EW-QBAFs can be deployed for this purpose. Specifically, we introduce the contestability problem for EW-QBAFs, which asks how to modify edge weights (e.g., preferences) to achieve a desired strength for a specific argument of interest (i.e., a topic argument). To address this problem, we propose gradient-based relation attribution explanations (G-RAEs), which quantify the sensitivity of the topic argument's strength to changes in individual edge weights, thus providing interpretable guidance for weight adjustments towards contestability. Building on G-RAEs, we develop an iterative algorithm that progressively adjusts the edge weights to attain the desired strength. We evaluate our approach experimentally on synthetic EW-QBAFs that simulate the structural characteristics of personalised recommender systems and multi-layer perceptrons, and demonstrate that it can solve the problem effectively.
• Abstract（参考訳）: 競争可能なAIは、AIによる決定が人間の好みに合致することを要求する。 様々な形態の議論が競争性を支持することが示されているが、エッジ重み付き定量バイポーラ調停フレームワーク (EW-QBAF) はほとんど注目されていない。 本研究では,この目的のためにEW-QBAFをどのように展開するかを示す。 具体的には、EW-QBAFの競合性問題を導入し、エッジウェイト(例えば、嗜好)をどう修正して、特定の関心の議論(トピックの議論)に望ましい強みを達成するかを問う。 この問題に対処するために,各辺の重みの変化に対する話題議論の強みの感度を定量化する勾配に基づく関係属性説明法(G-RAEs)を提案する。 G-RAEに基づいて, エッジ重みを段階的に調整し, 所望の強度を得る反復アルゴリズムを開発した。 提案手法は, パーソナライズされたレコメンデータシステムと多層パーセプトロンの構造特性をシミュレートした合成EW-QBAFを用いて実験的に評価し, この問題を効果的に解決できることを実証した。

関連論文リスト

• EDGE-GRPO: Entropy-Driven GRPO with Guided Error Correction for Advantage Diversity [7.818698554631196]
  グループ相対政策最適化 (GRPO) アルゴリズムはスパース報酬規則に依存しており、有利な崩壊問題を引き起こす。 我々は,textbfEntropy-textbfDriven Advantage と textbfGuided textbfError Correction を採用したEDGE-GRPOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-29T14:23:58Z)
• Nonconvex Optimization Framework for Group-Sparse Feedback Linear-Quadratic Optimal Control: Non-Penalty Approach [3.585860184121598]
  ペナルティパラメータの調整と定点導入のリスクに対処する。 提案手法により,特定の仮定に頼らずにグループ間直接フィードバック設計を実現できる。
  論文  参考訳（メタデータ） (2025-07-26T09:50:21Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Unifying Perplexing Behaviors in Modified BP Attributions through Alignment Perspective [61.5509267439999]
  GBP, RectGrad, LRP, DTD などの手法の統一理論フレームワークを提案する。 活性化ニューロンの重みを結合して入力アライメントを実現することを実証した。 このアライメントにより、可視化品質が向上し、重量ランダム化に対する感度が低下する。
  論文  参考訳（メタデータ） (2025-03-14T07:58:26Z)
• SeWA: Selective Weight Average via Probabilistic Masking [51.015724517293236]
  より良く、より高速な収束を達成するためには、ほんの数ポイントしか必要としないことを示す。 離散選択問題を連続的な部分集合最適化フレームワークに変換する。 両凸画像チェックポイントの値よりもシャープなSeWAの安定性境界を導出する。
  論文  参考訳（メタデータ） (2025-02-14T12:35:21Z)
• First Token Probability Guided RAG for Telecom Question Answering [15.854941373238226]
  Retrieval-Augmented Generation (RAG) は、Large Language Models (LLM) にドメイン固有情報を組み込むことにおいて、明確な優位性を示している。 本稿では,通信におけるMultiple Choice Question Answering(MCQA)の課題に対処する,新しいトークン確率ガイド付きRAGフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-11T07:47:31Z)
• One for All: Universal Quantum Conic Programming Framework for Hard-Constrained Combinatorial Optimization Problems [0.0]
  NP完全制約最適化問題を解くための統一量子古典的枠組みを提案する。 QCPのパラメータ化アンサッツクラスは、生成したサブコーン内の最適値を常にキャプチャすることを示す。
  論文  参考訳（メタデータ） (2024-11-01T08:00:30Z)
• Solving the Clustering Reasoning Problems by Modeling a Deep-Learning-Based Probabilistic Model [1.7955614278088239]
  我々は,Bongard-Logoで高い推論精度を実現する深層学習に基づく確率モデルであるPMoCを紹介する。 PMoCは視覚的抽象的推論において比較的弱い確率論的アプローチを再活性化する。
  論文  参考訳（メタデータ） (2024-03-05T18:08:29Z)
• Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
  我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。 実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
  論文  参考訳（メタデータ） (2023-11-05T12:03:58Z)
• LAMBO: Large AI Model Empowered Edge Intelligence [71.56135386994119]
  次世代エッジインテリジェンスは、オフロード技術を通じて様々なアプリケーションに恩恵をもたらすことが期待されている。 従来のオフロードアーキテクチャは、不均一な制約、部分的な認識、不確実な一般化、トラクタビリティの欠如など、いくつかの問題に直面している。 我々は、これらの問題を解決するための10億以上のパラメータを持つLarge AI Model-Based Offloading (LAMBO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:25:42Z)
• Improving Federated Aggregation with Deep Unfolding Networks [19.836640510604422]
  フェデレートラーニング(FL)は、デバイスの違いやクライアント間の統計的特徴に負の影響を受ける。 我々は、不均一性の悪影響を不偏に改善する適応重みを学習するディープ・アンフォールディング・ネットワーク(DUN)ベースの手法を導入する。 提案手法は,精度と品質に配慮したアグリゲーションを示す。
  論文  参考訳（メタデータ） (2023-06-30T01:51:22Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。