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 Argumentationsgraphen begründet durch Dung [3] im Jahr 1995. Die Knoten eines Argumentationsgraphen stellen dabei Argumente dar und die gerichteten Kanten repräsentieren Konflikte zwischen den Argumenten. Eine Kante von Argument ’a’ zu ’b’ bedeutet also, dass ’a’ das Argument ’b’ widerlegt und es somit angreift.

Ein zentraler Aspekt der abstrakten Argumentation sind die Semantiken. Dabei handelt es sich um Funktionen, die Mengen von Argumenten (genannt Extensionen) bestimmt, die als zulässig betrachtet werden können. Ein relativ neuer Ansatz zur Konstruktion von zulässigen Extensionen ist die Serialisierbarkeit [5]. Dabei handelt es sich um ein nicht-deterministisches Verfahren bei dem eine Extension iterativ aus minimal zulässigen Mengen (auch initiale Mengen genannt) konstruiert wird. Eine Extension wird dabei von einer sogenannten Serialisierungssequenz, also einer Sequenz von initialen Mengen, repräsentiert. Mithilfe von Einschränkungen der Serialisierungssequenzen lassen sich dann die meisten auf Zulässigkeit basierenden Semantiken aus der Literatur charakterisieren [5, 1].

Eine aus der Literatur bekannte Problemstellung ist das Lernen von Argumentationsgraphen aus semantischen Informationen, auch bekannt als das inverse Problem [4, 2]. Dieses ist bisher nur im Kontext von Extensionen und Labelings betrachtet worden, allerdings noch nicht im Bezug auf Serialisierungssequenzen.

Der Fokus dieser Masterarbeit ist genau diese Problemstellung, also: gegeben einer Menge an Serialisierungssequenzen soll ein Argumentationsgraph konstruiert werden, der mindestens diese Serialisierungssequenzen produziert. Dafür sollen logikbasierte Ansätze entwickelt werden, die es ermöglichen syntaktische Informationen über den Argumentationsgraphen aus semantischen Informationen, in Form von Serialisierungssequenzen, zu extrahieren.

Literatur

[1] Lars Bengel, Julian Sander und Matthias Thimm. “Characterising Serialisation Equivalence for Abstract Argumentation”. In: ECAI 2024 - 27th European Conference on Artificial Intelligence, IOS Press (2024), S. 3340–3347. URL: https://doi.org/10.3233/FAIA240883

[2] Lars Bengel, Matthias Thimm und Tjitze Rienstra. “Learning argumentation frameworks from labelings”. In: Argument & Computation 15.2 (2024), S. 121–159. URL: https://doi.org/10.3233/AAC-220018

[3] Phan Minh Dung. “On the Acceptability of Arguments and its Fundamental Role in Nonmonotonic Reasoning, Logic Programming and n-Person Games”. In: Artif. Intell. 77.2 (1995), S. 321–358. URL: https://doi.org/10.1016/0004-3702(94)00041-X

[4] Andreas Niskanen, Johannes Peter Wallner und Matti Järvisalo. “Synthesizing Argumentation Frameworks from Examples”. In: J. Artif. Intell. Res. 66 (2019), S. 503–554. URL: https://doi.org/10.1613/jair.1.11758

[5] Matthias Thimm. “Revisiting initial sets in abstract argumentation”. In: Argument & Computation 13.3 (2022), S. 325–360. URL: https://doi.org/10.3233/AAC-210018