論文の概要: From User Preferences to Base Score Extraction Functions in Gradual Argumentation
- arxiv url: http://arxiv.org/abs/2602.14674v1
- Date: Mon, 16 Feb 2026 12:01:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 16:22:50.387492
- Title: From User Preferences to Base Score Extraction Functions in Gradual Argumentation
- Title（参考訳）: ユーザの嗜好から基本スコア抽出機能へ
- Authors: Aniol Civit, Antonio Rago, Antonio Andriella, Guillem Alenyà, Francesca Toni,
- Abstract要約: emphBaseスコア抽出関数を導入し、ユーザの引数に対する好みからベーススコアへのマッピングを提供する。
これらの関数は、好みを補足した emphBipolar Argumentation Framework (BAF) の引数に適用して、 emphQuantitative Bipolar Argumentation Framework (QBAF) を得ることができる。
本稿では,基本スコア抽出関数の望ましい特性を概説し,設計選択について議論し,基本スコア抽出のためのアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 23.55780650344801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gradual argumentation is a field of symbolic AI which is attracting attention for its ability to support transparent and contestable AI systems. It is considered a useful tool in domains such as decision-making, recommendation, debate analysis, and others. The outcomes in such domains are usually dependent on the arguments' base scores, which must be selected carefully. Often, this selection process requires user expertise and may not always be straightforward. On the other hand, organising the arguments by preference could simplify the task. In this work, we introduce \emph{Base Score Extraction Functions}, which provide a mapping from users' preferences over arguments to base scores. These functions can be applied to the arguments of a \emph{Bipolar Argumentation Framework} (BAF), supplemented with preferences, to obtain a \emph{Quantitative Bipolar Argumentation Framework} (QBAF), allowing the use of well-established computational tools in gradual argumentation. We outline the desirable properties of base score extraction functions, discuss some design choices, and provide an algorithm for base score extraction. Our method incorporates an approximation of non-linearities in human preferences to allow for better approximation of the real ones. Finally, we evaluate our approach both theoretically and experimentally in a robotics setting, and offer recommendations for selecting appropriate gradual semantics in practice.
- Abstract（参考訳）: グラデーショナル議論(Gradual argumentation)は、透明で競合可能なAIシステムをサポートする能力に注目が集まっている、象徴的なAIの分野である。
意思決定、推薦、議論分析などの分野で有用な道具であると考えられている。
このようなドメインの結果は通常、引数のベーススコアに依存するが、慎重に選択する必要がある。
多くの場合、この選択プロセスはユーザの専門知識を必要とします。
一方、選好による議論の組織化はタスクを単純化する可能性がある。
本研究では,議論に対するユーザの嗜好からベーススコアへのマッピングを提供する「emph{Base Score extract Functions}」を紹介する。
これらの関数は、好みを補足した \emph{Bipolar Argumentation Framework} (BAF) の引数に適用することができ、段階的議論において確立された計算ツールの使用を可能にする \emph{Quantitative Bipolar Argumentation Framework} (QBAF) を得ることができる。
本稿では,基本スコア抽出関数の望ましい特性を概説し,設計選択について議論し,基本スコア抽出のためのアルゴリズムを提案する。
提案手法は, 人間の嗜好における非線形性の近似を組み込むことにより, 実物の近似性を向上する。
最後に,ロボット工学の分野でのアプローチを理論的・実験的に評価し,実際に適切な段階的意味論を選択するための推奨事項を提案する。
関連論文リスト
- Multi-User Personalisation in Human-Robot Interaction: Using Quantitative Bipolar Argumentation Frameworks for Preferences Conflict Resolution [7.448890820711756]
定量的バイポーラ調停フレームワーク(QBAF)に基づく新しいマルチユーザパーソナライズフレームワークを提案する。
Argumentation Frameworksの以前の作業とは異なり、私たちのアプローチはロボティクスに合わせています。
ユーザの議論とロボットによる環境観察の両方を取り入れている。
論文 参考訳（メタデータ） (2025-11-05T15:59:30Z) - Hyperparameter Optimization via Interacting with Probabilistic Circuits [20.128718882698593]
候補点の獲得機能のない生成を可能にする新しい選択ポリシーを開発する。
本手法は,標準HPOにおける最先端性能を実現し,対話型HPOにおける対話型BOベースラインよりも優れることを示す。
論文 参考訳（メタデータ） (2025-05-23T12:21:19Z) - ReasonAgain: Using Extractable Symbolic Programs to Evaluate Mathematical Reasoning [54.70811660561151]
既存の数学データセットは、最終回答または静的例から派生した中間推論ステップを用いて、大規模言語モデル(LLM)の推論能力を評価する。
モデルがプログラムへの様々な入力に対して常に正しい最終回答を生成できる場合、シンボルプログラムを自動評価の手段として利用したいと考えている。
提案手法は, 従来の静的な例と比較して, 精度の低下を観測し, 現状のLLMにおける数学推論の脆弱さを示唆する。
論文 参考訳（メタデータ） (2024-10-24T18:02:37Z) - Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。
合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
論文 参考訳（メタデータ） (2024-07-14T09:32:20Z) - Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - An Extension-based Approach for Computing and Verifying Preferences in Abstract Argumentation [1.7065454553786665]
本稿では,抽象的論証システムにおいて,計算と選好の検証のための拡張型アプローチを提案する。
選好集合の計算の複雑さは議論の数で指数関数的であることを示す。
計算された選好を検証(すなわち評価)するための新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-26T12:36:11Z) - Experience in Engineering Complex Systems: Active Preference Learning
with Multiple Outcomes and Certainty Levels [1.5257326975704795]
ブラックボックス最適化とは、目的関数と/または制約集合が未知、到達不能、あるいは存在しない問題を指す。
この特定の情報を活用するために、いわゆるActive Preference Learningと呼ばれるアルゴリズムが開発された。
我々のアプローチは、さらなる情報を効果的に活用できるような方法でアルゴリズムを拡張することを目的としている。
論文 参考訳（メタデータ） (2023-02-27T15:55:37Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Surrogate modeling for Bayesian optimization beyond a single Gaussian
process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。
拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。
提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文 参考訳（メタデータ） (2022-05-27T16:43:10Z) - Personalized Algorithmic Recourse with Preference Elicitation [20.78332455864586]
PEARは、エンドユーザーのニーズに合わせてパーソナライズされたアルゴリズムの講義を提供する。
PEARは、ベイジアン選好引用からの洞察に基づいて、ターゲットユーザに対して選択セットクエリを尋ねることで、アクションのコストを反復的に見積もる。
実世界のデータセットに対する実証的な評価は、PEARがいかに高品質なパーソナライズされたリコースをほんの数イテレーションで生成するかを強調します。
論文 参考訳（メタデータ） (2022-05-27T03:12:18Z) - B-Pref: Benchmarking Preference-Based Reinforcement Learning [84.41494283081326]
我々は、好みベースのRL用に特別に設計されたベンチマークであるB-Prefを紹介する。
このようなベンチマークにおける重要な課題は、候補アルゴリズムをすばやく評価する機能を提供することだ。
B-Prefは、幅広い不合理性を持つ教師をシミュレートすることでこれを緩和する。
論文 参考訳（メタデータ） (2021-11-04T17:32:06Z)
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。