Abschlussarbeit

Beschreibung:

Argumentation ist ein Konzept, das tief in der menschlichen Kultur verwurzelt ist und das als wesentliches Element unserer Intelligenz angesehen werden kann. Folglich ist es von hoher Bedeutung, dieses Konzept auch in der Künstlichen Intelligenz zu modellieren. In der Literatur wurden bereits vielzählige Konzepte zur Repräsentation von Argumenten und ihrer Interaktion vorgestellt. Ein Themengebiet des Forschungszweigs der Argumentation in der Künstlichen Intelligenz ist die abstrakte Argumentation [2]. Dabei werden Argumentationsstrukturen als gerichtete Graphen - sogenannte (abstrakte) Argumentationssysteme - aufgefasst. Genauer gesagt repräsentieren dabei die Knoten die Argumente und die gerichteten Kanten Angriffe zwischen den Argumenten.

Das Ziel bei der (abstrakten) Argumentation ist die Ableitung von Konklusionen aus dem bereits vorhandenen Wissen. Dies geschieht in der Regel in Form von Extensionen. Eine Extension ist eine Menge von Argumenten, die als sinnvolle Einheit angesehen werden können. Die Argumente innerhalb einer Extension unterliegen also bestimmten Regeln, z. B. dürfen sie sich nicht gegenseitig angreifen. Welche Eigenschaften eine Extension genau erfüllen muss, hängt davon ab, welcher Semantik sie entspricht. Typische Problemstellungen im Bereich der Argumentation sind die Aufzählung einer/aller Extensionen einer Semantik oder die Entscheidung, ob ein Argument in einer/allen Extensionen einer Semantik enthalten ist. Ist ein Argument in mindestens einer Extension enthalten, wird dies leichtgläubige Akzeptanz genannt, ist es in allen Extensionen enthalten, wird dies skeptische Akzeptanz genannt. In der Bachelorarbeit soll der Fokus auf den beiden Entscheidungsproblemen (leichtgläubige und skeptische Akzeptanz) liegen.

Die Bestimmung von Extensionen erfolgt üblicherweise mithilfe von korrekten und vollständigen Algorithmen. Diese garantieren zwar immer eine korrekte Lösung, allerdings sind sie aufgrund der hohen Komplexität der meisten Argumentationsprobleme nur schlecht skalierbar. Daher kann es, je nach Anwendungskontext, sinnvoll sein, auf Lösungsmechanismen zurückzugreifen, die zwar nur approximativ, dafür aber schneller zu berechnen sind. Eine kleine Anzahl von Autoren haben zu diesem Zweck künstliche neuronale Netze verwendet [3,1,4]. Ziel der Bachelorarbeit ist es, "klassische" maschinelle Lernverfahren (wie etwa k-Nearest Neighbors, Naive Bayes, Random Forests oder Support Vector Machines) zu betrachten, die - im Gegensatz zu neuronalen Netzen - aus gegebenen Merkmalen lernen. Da die Argumente eines abstrakten Argumentationssystems keine intrinsischen Merkmale besitzen, muss auf "äußere" Merkmale zurückgegriffen werden. Aufgrund der Repräsentation von Argumentationssystemen als gerichtete Graphen bieten sich insbesondere graph-basierte Merkmale an, also z. B. die Anzahl von Knoten und Kanten, der Durchmesser, oder der Innen- und Außengrad. Es existiert bereits eine Studie von Vallati et al. [5], in der diverse Graph-Eigenschaften im Kontext von maschinellem Lernen in Kombination mit abstrakter Argumentation untersucht wurden, jedoch nicht mit dem Ziel, die Akzeptanz einzelner Argumente vorherzusagen, sondern um für eine gegebene Instanz den optimalen korrekten und vollständigen Algorithmus auszuwählen.

Zusammengefasst besteht das Ziel der Bachelorarbeit daraus, zu untersuchen, welchen Einfluss die Auswahl von Graph-Eigenschaften als Merkmale für maschinelle Lernverfahren auf die Vorhersagegenauigkeit hat. Dabei sollen außerdem verschiedene Semantiken verglichen werden und sowohl skeptische als auch leichtgläubige Akzeptanz betrachtet werden.

[1] Dennis Craandijk, and Floris Bex. Deep learning for abstract argumentation semantics. Proceedings of the Twenty-Ninth International Conference on International Joint Conferences on Artificial Intelligence. 2021.

[2] Phan Minh Dung. On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games. Artificial intelligence 77.2. 1995.

[3] Isabelle Kuhlmann, and Matthias Thimm. Using graph convolutional networks for approximate reasoning with abstract argumentation frameworks: A feasibility study. International Conference on Scalable Uncertainty Management. Springer, Cham, 2019.

[4] Lars Malmqvist, Tommy Yuan, Peter Nightingale, and Suresh Manandhar. Determining the Acceptability of Abstract Arguments with Graph Convolutional Networks. SAFA@ COMMA (pp. 47-56). 2020.

[5] Mauro Vallati, Federico Cerutti, and Massimiliano Giacomin. Predictive models and abstract argumentation: the case of high-complexity semantics. The Knowledge Engineering Review, 34. 2019.