A Unifying Framework for Learning Argumentation Semantics
Created by
- Haebom
Category
Empty
저자
Zlatina Mileva, Antonis Bikakis, Fabio Aurelio D'Asaro, Mark Law, Alessandra Russo
개요
본 논문은 인공지능 분야에서 활발히 연구되고 있는 논증(Argumentation)에 대한 연구로, 인간과/혹은 인공 에이전트 간의 대화에서 사용되는 논증의 표현 및 평가에 초점을 맞추고 있다. 특히, 형식 논증 시스템의 수용 가능성 의미론(acceptability semantics)을 이용하여 논증의 수용 또는 거부 기준을 정의하고, 이러한 기준을 사용하여 수용/거부된 논증을 계산하는 논증 해결 시스템(argumentation solvers)에 대해 다룬다. 본 논문에서는 해석 가능한 방식으로 여러 추상적 및 구조적 논증 프레임워크에 대한 수용 가능성 의미론을 학습하는 새로운 프레임워크를 제시하며, 이는 유도 논리 프로그래밍(Inductive Logic Programming) 접근 방식을 사용한다. 실증적 평가를 통해 기존의 논증 해결 시스템보다 성능이 우수함을 보여줌으로써 형식 논증 및 인간-기계 대화 분야의 새로운 연구 방향을 제시한다.
시사점, 한계점
•
시사점:
◦
유도 논리 프로그래밍을 이용한 해석 가능한 논증 수용 가능성 의미론 학습 프레임워크 제시.
◦
기존 논증 해결 시스템보다 우수한 성능을 실증적으로 입증.
◦
형식 논증 및 인간-기계 대화 분야의 새로운 연구 방향 제시.
•
한계점:
◦
제시된 프레임워크의 일반화 가능성 및 다양한 논증 프레임워크에 대한 적용성에 대한 추가 연구 필요.
◦
실증 평가에 사용된 데이터셋의 한계 및 일반화 가능성에 대한 검토 필요.
◦
해석 가능성의 수준 및 그 한계에 대한 명확한 정의 및 분석 필요.
