Abschlussarbeit

Beschreibung:

Das Konzept der abstrakten Argumentation ist ein stark erforschtes Thema im Bereich Künstliche Intelligenz. Die meisten Ansätze stützen sich dabei auf die abstrakten Argumentationssysteme begründet durch Dung [3] im Jahr 1995.
Diese Argumentationssysteme können als gerichtete Graphen dargestellt werden. Die Knoten des Graphen stellen hierbei Argumente dar und die gerichteten Kanten repräsentieren Konflikte zwischen den Argumenten. Eine Kante von Argument ’a’ zu Argument ’b’ bedeutet also, dass ’a’ ’b’ widerlegt und es somit angreift. Diese Argumentationssysteme können zur Schlussfolgerung verwendet werden, dazu werden üblicherweise sogenannte Semantiken verwendet, die anhand bestimmter Kriterien Mengen von Argumenten bestimmen, die gemeinsam akzeptiert werden können.

Das Forschungsgebiet der kausalen Entdeckung [4] beschäftigt sich damit aus einer gegebenen Datenmenge die kausalen Abhängigkeiten bzw. Unabhängigkeiten zwischen den Variablen zu bestimmen. Im Idealfall geschieht dies durch kontrollierte statistische Tests (bei denen verschiedene Variablen manipuliert und andere gemessen werden). In der Praxis sind solche Experimente allerdings oft sehr aufwändig oder gar unmöglich. Deshalb ist es von Interesse Algorithmen für kausale Entdeckung [4, 2] zu entwickeln, die die kausalen Zusammenhänge auf andere Weise bestimmen.

In der Arbeit von Bromberg et al. [1] wird ein Algorithmus für kausale Entdeckung vorgestellt, der ein Argumentationssystem und eine Präferenzfunktion über die Argumente verwendet um die Bestimmung der Kausalitäten zu verbessern.

Das Ziel der Masterarbeit ist die Implementierung der Arbeit von Bromberget al. [1] und durch bekannte Ansätze aus der Literatur zu erweitern. Dafür bietet es sich beispielsweise an anstelle der Präferenzfunktion ein qualitatives
Argumentranking zu verwenden oder andere Arten von Argumentationssystemen oder Semantiken zu verwenden.

• [1] Facundo Bromberg and Dimitris Margaritis. “Improving the Reliability of Causal Discovery from Small Data Sets Using Argumentation.” In: Journal of Machine Learning Research 10.2 (2009).
• [2] David Maxwell Chickering. “Optimal structure identification with greedy search”. In: Journal of machine learning research 3.Nov (2002), pp. 507–554.
• [3] Phan Minh Dung. “On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games”. In: Artificial intelligence 77.2 (1995), pp. 321–357.
• [4] Peter Spirtes et al. Causation, prediction, and search. MIT press, 2000.