Abschlussarbeit

Beschreibung:

Assumption-Based Argumentation (ABA) [Cyras et al., 2018] ist ein etablierter formaler Argumentationsansatz zur Modellierung und Bewertung von Schlussfolgerungen unter unvollständigem oder widersprüchlichem Wissen. Durch die Kombination aus logischen Regeln und widerlegbaren Annahmen bietet ABA eine ausdrucksstarke Grundlage für Anwendungen in der Wissensrepräsentation, Entscheidungsunterstützung und Explainable Artificial Intelligence. Ein Großteil der Forschung konzentriert sich jedoch auf den flat case, in dem Annahmen ausschließlich als Ausgangs-prämissen auftreten. Der non-flat case, bei dem Annahmen selbst durch Regeln hergeleitet werden können, ist bislang deutlich weniger erforscht, obwohl er eine höhere Ausdrucksstärke ermöglicht und komplexere Argumentationsstrukturen abbilden kann.

Zur Analyse von Argumentationsprozessen werden häufig abstrakte Argumentation Frameworks (AFs) [Dung, 1995] verwendet. Ein AF modelliert Argumentation auf abstrakter Ebene als eine Menge von Argumenten sowie eine binäre Angriffsrelation zwischen diesen und eignet sich als Grundlage für die Berechnung akzeptierter Argumentmengen unter verschiedenen Semantiken. Während flat ABA auf solche Frameworks abgebildet werden kann, ist dies für den non-flat case im Allgemeinen nicht möglich. Da Annahmen in non-flat ABA selbst durch Regeln hergeleitet werden können, entstehen Abhängigkeiten zwischen Argumenten, die sich nicht allein durch Angriffsrelationen ausdrücken lassen. Für eine verlustfreie Repräsentation dieser Strukturen werden daher ausdrucksstärkere Argumentationsformalismen benötigt. Die kürzlich vorgestellten Bipolar Set Argumentation Frameworks (BSAFs) [Berthold et al., 2024] erweitern klassische AFs, sodass Argumente von Mengen von Argumenten angegriffen, wie auch hergeleitet werden können, und können ABA vollständig (faithfully) erfassen. Trotz dieses Potenzials existiert bislang keine Implementierung, die BSAF als ausführbaren Formalismus bereitstellt und für die Analyse von ABA-Instanzen nutzbar macht.

Während bei der imperativen Programmierung der Kontrollfluss und die Zustandsänderungen explizit vorgegeben werden müssen, beschreibt die deklarative Programmierung lediglich die gewünschten Eigenschaften einer Lösung.
Somit stellt sie eine Alternative zur imperativen Programmierung dar, indem sie den Fokus darauf legt, was ein Programm leisten soll, anstatt wie die Lösung schrittweise berechnet wird. Ein bedeutender Vertreter dieses Paradigmas ist Answer Set Programming (ASP), bei dem Probleme durch logische Regeln und Nebenbedingungen modelliert werden [Gebser et al., 2012]. Ein ASP-Solver übernimmt anschließend automatisch die Suche nach Lösungen, wodurch insbesondere komplexe Wissensrepräsentations- und Optimierungsprobleme kompakt und übersichtlich formuliert werden können.

Ziel dieser Bachelorarbeit ist die Entwicklung zweier Implementierungen von BSAF, die auf Grundlage eines Frameworks in einem geeigneten Eingabeformat alle Extensions der Standardsemantiken sowie gängige Reasoning-Aufgaben (skeptisches und gutgläubiges Schließen) berechnen. Eine Implementierung erfolgt imperativ in Python, die andere deklarativ in ASP. Anschließend werden beide Ansätze hinsichtlich ihrer Laufzeit sowie des erforderlichen Implementierungsaufwands miteinander verglichen.

Referenzen:

[Cyras et al., 2018] Cyras, K.; Fan, X.; Schulz, C.; and Toni, F. 2018.
Assumption-based argumentation: Disputes, explanations,
preferences. In Handbook of Formal Argumentation, volume 1. chapter 7.

[Dung, 1995] Dung, P. M. (1995). On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games. Artificial intelligence, 77(2):321–357.

[Berthold et al., 2024] Berthold, M., Rapberger, A., and Ulbricht, M. (2024). Capturing non-flat assumption-based argumentation with bipolar setafs. In Marquis, P., Ortiz, M., and Pagnucco, M., editors, Proceedings of the 21st International Conference on Principles of Knowledge Representation and Reasoning, KR 2024, Hanoi, Vietnam. November 2-8, 2024.

[Gebser et al., 2012] Martin Gebser, Roland Kaminski, Benjamin Kaufmann, Torsten Schaub: Answer Set Solving in Practice. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool Publishers 2012, ISBN 978-3-031-00433-9