論文の概要: Splitting Assumption-Based Argumentation Frameworks

• arxiv url: http://arxiv.org/abs/2604.27964v1
• Date: Thu, 30 Apr 2026 14:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.152155
• Title: Splitting Assumption-Based Argumentation Frameworks
• Title（参考訳）: 推定に基づく論証フレームワークの分割
• Authors: Giovanni Buraglio, Wolfgang Dvorak, Stefan Woltran,
• Abstract要約: ABA(Assumption-Based Argumentation)は、議論をモデル化し、推論するために確立された形式主義である。 本稿では,グラフベースのインスタンス化ではなく,知識ベースで分割するという概念について検討する。
• 参考スコア（独自算出の注目度）: 9.546922368727428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assumption-Based Argumentation (ABA) is a well-established formalism for modelling and reasoning over debates, with a wide range of applications. However, the high computational complexity of core reasoning tasks in ABA poses a significant challenge for its applicability. This issue is further aggravated when ABA frameworks (ABAFs) are instantiated into graph-based argumentation formalisms, such as Dung's Argumentation Frameworks (AFs) and Argumentation Frameworks with Collective Attacks (SETAFs). In knowledge representation and reasoning, a key strategy to address computational intractability is to optimise reasoning over a given knowledge base through divide-and-conquer algorithms. A paradigmatic example of this approach is splitting, where extensions of a given framework are computed incrementally, by restricting the search space to sub-frameworks only, and then combining the obtained results. This approach has been successfully applied to AFs, for which also a parametrised version has been introduced under stable semantics. However, the exponential growth produced by the instantiation might undermine the usefulness of splitting on the argument graphs induced by ABAFs. To address this issue, our work investigates the concept of splitting on the knowledge base rather than on its graph-based instantiation. Furthermore, we generalise splitting to its parametrised version for ABAFs.
• Abstract（参考訳）: ABA(Assumption-Based Argumentation)は、議論をモデル化し、推論するために確立された形式主義であり、幅広い応用がある。 しかし、ABAのコア推論タスクの計算処理の複雑さは、その適用性に大きな課題をもたらしている。 ABAフレームワーク(ABAF)がDungのArgumentation Frameworks(AF)やArgumentation Frameworks with Collective Attacks(SETAFs)といったグラフベースの議論形式にインスタンス化されると、この問題はさらに悪化する。 知識表現と推論において、計算の難易度に対処する鍵となる戦略は、分割・問合せアルゴリズムによって与えられた知識ベースに対する推論を最適化することである。 このアプローチのパラダイム的な例は分割であり、与えられたフレームワークの拡張を段階的に計算し、探索空間をサブフレームワークに限定し、その結果を組み合わせる。 このアプローチはAFに適用され、安定な意味論の下でパラメトリッドバージョンも導入されている。 しかし、インスタンス化によって生成される指数的成長は、ABAFによって誘導される議論グラフ上での分割の有用性を損なう可能性がある。 この問題に対処するため,本稿では,グラフベースのインスタンス化ではなく,知識ベースで分割するという概念について検討する。 さらに,ABAFのパラメトリクス版に分割を一般化する。

関連論文リスト

• ReGuLaR: Variational Latent Reasoning Guided by Rendered Chain-of-Thought [49.203970812338916]
  明示的な推論連鎖は、かなりの計算冗長性をもたらす。 近年の潜時推論法は、推理過程を潜時空間に圧縮することによりこれを緩和しようとする。 我々はRendered CoT-Guided Variational Latent Reasoning (ReGuLaR)を提案する。
  論文  参考訳（メタデータ） (2026-01-30T17:08:06Z)
• Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
  拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。 現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。 これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
  論文  参考訳（メタデータ） (2025-10-02T00:34:15Z)
• Implicit Reasoning in Large Language Models: A Comprehensive Survey [67.53966514728383]
  大規模言語モデル(LLM)は、幅広いタスクにまたがる強力な一般化を実証している。 最近の研究は、暗黙の推論に拍車をかけた、明示的な思考の連鎖から注意を向けている。 本調査では,表現形式から計算戦略へ焦点を移し,実行パラダイムを中心とした分類を紹介した。
  論文  参考訳（メタデータ） (2025-09-02T14:16:02Z)
• On Gradual Semantics for Assumption-Based Argumentation [15.021229450879316]
  計算的議論において、段階的意味論は拡張に基づく意味論やラベルに基づく意味論の微妙な代替である。 段階的ABA意味論は、バランスや単調性といった望ましい性質の適切な適応を満足することを示します。
  論文  参考訳（メタデータ） (2025-07-14T09:02:45Z)
• PixelThink: Towards Efficient Chain-of-Pixel Reasoning [70.32510083790069]
  PixelThinkは、外部から推定されるタスクの難しさと内部で測定されたモデルの不確実性を統合する、シンプルで効果的なスキームである。 シーンの複雑さと予測信頼度に応じて推論の長さを圧縮することを学ぶ。 実験により,提案手法は推論効率と全体セグメンテーション性能の両方を改善した。
  論文  参考訳（メタデータ） (2025-05-29T17:55:49Z)
• Efficient Inference for Large Reasoning Models: A Survey [74.17203483365171]
  LRM(Large Reasoning Models)は、Large Language Models(LLM)の推論能力を大幅に向上させる。 しかし、それらの熟考的推論プロセスはトークンの使用、メモリ消費、推論時間に非効率をもたらす。 本調査では, LRMに特化して設計された効率的な推論手法を概説し, 推論品質を維持しつつトークンの非効率を緩和することに着目した。
  論文  参考訳（メタデータ） (2025-03-29T13:27:46Z)
• 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)
• Harnessing Incremental Answer Set Solving for Reasoning in Assumption-Based Argumentation [1.5469452301122177]
  仮定に基づく議論(ABA)は、中心的な構造化された議論形式である。 近年のASPの進歩により、ABAのNPハード推論タスクを効率的に解けるようになった。
  論文  参考訳（メタデータ） (2021-08-09T17:34:05Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)

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。