Abschlussarbeit

Beschreibung:

Die formale Argumentation ist ein stark erforschtes Themengebiet im Bereich Künstliche Intelligenz. Die meisten Ansätze stützen sich dabei auf die abstrakten Argumentationsgraphen, begründet durch Dung im Jahr 1995 [2]. Die Knoten des Argumentationsgraphen stellen hierbei 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.

Schlussfolgern in abstrakten Argumentationsgraphen stützt sich auf verschiedene Semantiken. Ein verbreiteter Ansatz ist die präferierte Semantik, die maximale, zulässige Mengen an Argumenten, genannt Extensionen, des Argumentationsgraphen betrachtet. Basierend darauf ist das Entscheidungsproblem der skeptischen Akzeptanz (bzgl. der präferierten Semantik) definiert: ein Argument gilt als skeptisch akzeptiert, wenn es in allen präferierten Extensionen des Argumentationsgraphen vorkommt. Dieses Problem zu entscheiden ist im Allgemeinen sehr schwierig [3] und erfordert in der Regel mehrere iterative Aufrufe eines SAT-Solvers [6]. Deshalb ist es von Interesse sogenannte 'Shortcuts' zu verwenden, die schneller eine Lösung berechnen können [1]. Dabei ist es von entscheidender Bedeutung den am besten geeigneten Shortcut auszuwählen um die höchste Effizienz zu erreichen.

Ziel dieser Masterarbeit ist die Entwicklung von Heuristiken zur Auswahl geeigneter Shortcuts aus [1], basierend auf der jeweils vorliegenden Probleminstanz. Dazu sollen verschiedene Heuristiken, zum Beispiel auf Basis von graphentheoretischen Eigenschaften, entwickelt und evaluiert werden, vgl. [4,5]. Insbesondere sollen dabei auch Machine Learning-basierte Ansätze für diese Heuristiken exploriert werden.

Weiterführende Literatur

[1] Lars Bengel, Julian Sander, and Matthias Thimm. “On Algorithmic Shortcuts for Skeptical Preferred Reasoning in Abstract Argumentation” (Extended Version). Zenodo, 2026. url: https://doi.org/10.5281/zenodo.19629597

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

[3] Wolfgang Dvorák and Paul E Dunne. “Computational Problems in Formal Argumentation and their Complexity”. In: Handbook of Formal Argumentation, Vol. 1 (2018). url: https://www.collegepublications.co.uk/downloads/handbooks00003.pdf

[4] Sandra Hoffmann, Isabelle Kuhlmann, and Matthias Thimm. “Enhancing Abstract Argumentation Solvers with Machine Learning-Guided Heuristics: A Feasibility Study”. In: Robust Argumentation Machines - First International Conference, RATIO 2024, pp. 185–201. url: https://doi.org/10.1007/978-3-031-63536-6_115

[5] Jonas Klein, Isabelle Kuhlmann, and Matthias Thimm. “Graph Neural Networks for Algorithm Selection in Abstract Argumentation”. In: Proceedings of the 1st Workshop on Argumentation & Machine Learning, 2022, pp. 81–95. url: https://ceur-ws.org/Vol-3208/paper6.pdf[

[6] Matthias Thimm, Federico Cerutti, and Mauro Vallati. “Skeptical Reasoning with Preferred Semantics in Abstract Argumentation without Computing Preferred Extensions”. In: Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI’21). 2021. url: https://www.ijcai.org/proceedings/2021/0285.pdf