Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Heterogeneous Graph Neural Networks for Assumption-Based Argumentation

Created by
  • Haebom
Category
Empty

저자

Preesha Gehlot, Anna Rapberger, Fabrizio Russo, Francesca Toni

개요

본 논문은 Assumption-Based Argumentation (ABA)에서 안정적 의미론 하에 확장 계산이 어려운 문제를 해결하기 위해, 그래프 신경망(GNN)을 활용하여 신뢰적 수용을 근사하는 최초의 접근 방식을 제시한다. ABA 프레임워크를 의존성 그래프로 모델링하고, 두 가지 GNN 아키텍처(ABAGCN 및 ABAGAT)를 개발하여 노드 임베딩을 학습한다. ICCMA 2023 벤치마크와 합성 ABA 프레임워크를 사용하여 모델을 훈련하고, Bayesian search를 통해 하이퍼파라미터를 최적화했다. 또한, 예측 기반의 건전한 다항 시간 확장 재구성 알고리즘을 개발하여 확장 재구성을 수행한다.

시사점, 한계점

•
시사점:
◦
ABA에서 신뢰적 수용을 근사하기 위한 첫 번째 GNN 기반 접근 방식 제시.
◦
ABAGCN 및 ABAGAT 모델 개발 및 우수한 성능 입증 (기존 GNN 기반 모델 대비).
◦
확장 재구성 알고리즘 개발을 통해 확장 계산 가능성 제시.
◦
구조화된 논증에서 확장 가능한 근사 추론을 위한 새로운 가능성 제시.
•
한계점:
◦
대규모 ABA 프레임워크에서 성능 저하 가능성.
◦
특정 유형의 ABA 프레임워크에 대한 일반화 가능성 제한.
◦
확장 재구성 알고리즘의 F1 점수가 대규모 프레임워크에서 0.58로 낮음.
👍
Made with Slashpage