Abschlussarbeit

Beschreibung:

Abstrakte Argumentation ist ein stark erforschtes Thema der Künstlichen Intelligenz. Ein häufig genutzter Ansatz sind die Abstrakten Argumentationsframeworks von Dung [1]. Diese Frameworks bilden eine Diskussion zwischen zwei Parteien ab, wobei nur die Struktur jener Diskussion wichtig ist. Als grundlegendes Modell wird ein gerichteter Graph genutzt, wobei die Argumente die Knoten sind und ein Angriff von einem Argument auf ein anderes Argument eine Kante ist. Also eine Kante zwischen Argument ‘a’ zu Argument ‘b’ bedeutet, dass ‘a’ ‘b’ attackiert.

Ein klassischer Weg, um in diesen Frameworks zu schlussfolgern, sind die extensionsbasierten Semantiken. Diese Funktionen geben an, ob eine Menge von Argumenten gemeinsam akzeptiert werden können. Diese Schlussfolgerungsmethode ergibt nur eine binäre Klassifikation. Eine Menge kann entweder akzeptiert sein oder nicht. Um den Schlussfolgerungsprozess zu verfeinern, wurden rangbasierte Semantiken eingeführt, mit Hilfe welcher ausgesagt werden kann, welches Argument - a oder b - ‘besser’ ist. Es wurden eine Reihe von unterschiedlichen Ansätzen vorgestellt sowie Eigenschaften definiert, die ein ‘guter’ Ansatz erfüllen soll.

Neben den Abstrakten Argumentationsframeworks gibt es auch eine große Menge an Erweiterungen jener, um diesen mehr Aussagekraft zu geben. Eine solche Erweiterung sind die SetAFs, bei denen anstatt eines binären Angriffs zwischen zwei Argumenten es auch vorkommen kann, dass ein Angriff von einer Menge von Argumenten kommt.

In der Arbeit von Yun et.al. [2] wurden rangbasierten Semantiken für SetAFs definiert und analysiert. Ziel dieser Thesis ist es, die Arbeit von Yun et.al zu implementieren und durch weitere bekannte Ansätze aus der Literatur zu erweitern.

• [1] Dung, Phan Minh. „On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games.“ Artificial intelligence 77.2 (1995): 321-357.
• [2] Yun, B.; Vesic, S.; and Croitoru, M. 2020. Ranking-based semantics for sets of attacking arguments. In Proceedings of the AAAI Conference on Artificial Intelligence, volume 34.