Abschlussarbeit

Beschreibung

Abstrakte Argumentation [3] ist ein Formalismus zur Modellierung und Analyse argumentati- ver Szenarien. Hierbei werden Argumentationsszenarien als gerichtete Graphen repräsentiert. In einem Argumentationsgraphen werden Argumente als Knoten dargestellt, während gerichtete Kanten Angriffe zwischen Argumenten repräsentieren. Eine wesentliche Fragestellung besteht darin, diejenigen Argumente oder Mengen von Argumenten zu bestimmen, die gemeinsam akzep- tiert werden können und damit als eine Lösung des Argumentationsproblems angesehen werden können. Solche Mengen werden Extensionen genannt.

Welche Argumente gemeinsam akzeptiert werden können, wird durch verschiedene Semantiken definiert [1]. Typische Problemstellungen in diesem Kontext sind die Bestimmung einer Extension, aller Extensionen oder die skeptische und leichtgläubige Akzeptanz von Argumenten unter einer gegebenen Semantik. Ein Argument wird skeptisch bzw. leichtgläubig akzeptiert, wenn es in allen bzw. in mindestens einer Extension enthalten ist. Die Lösung dieser Probleme ist im Allgemeinen sehr rechenintensiv, weshalb neben exakten Lösungsverfahren auch heuristische und lernbasierte Verfahren untersucht werden [8].

Graph Neural Networks (GNNs) [4] bilden eine geeignete Modellklasse für solche Probleme, da sie direkt auf graphstrukturierten Eingaben operieren. In einem GNN werden typischerweise iterativ Knoteninformationen aus der lokalen Nachbarschaft aggregiert und anschließend transfor- miert. Verschiedene GNN-Varianten wie Graph Convolutional Networks [5] oder Graph Attention Networks [9] unterscheiden sich dabei unter anderem darin, wie Nachbarschaftsinformationen verarbeitet werden. Damit ergeben sich neben der Aggregationsfunktion eine Vielzahl verschiedener Kombinationen von Hyperparametern für die Implementierung eines Modells, wie beispielsweise die Anzahl der Layer, Aktivierungsfunktionen, Normalisierung, Regularisierung, Lernraten sowie Knoten- und Grapheigenschaften. Wir bezeichnen die Gesamtheit dieser Kombinationen als den Entwurfsraum.

Die Verwendung von GNNs für Problemstellungen in der abstrakten Argumentation wurde bereits in mehreren Arbeiten untersucht [6, 2, 7]. Eine systematische Untersuchung des Entwurfsraums von GNNs für abstrakte Argumentation fehlt bislang. In der allgemeinen GNN-Literatur wurde eine solche Untersuchung bereits durchgeführt You et al. [10], welche als Blaupause verwendet werden kann. Anstatt einzelne GNN-Architekturen isoliert zu bewerten, wird ein großer Raum möglicher Modellkonfigurationen definiert und empirisch über viele Aufgaben hinweg untersucht. Dadurch lassen sich Entwurfsrichtlinien ableiten und Zusammenhänge zwischen Modellkomponenten, Datensätzen und Aufgaben identifizieren. Ziel dieser Arbeit ist es, eine vergleichbare Studie speziell für abstrakte Argumentation zu entwickeln und durchzuführen.

Im Fokus der Arbeit steht die Frage, welche GNN-Konfigurationen für welche Argumentationsprobleme und Semantiken besonders geeignet sind. Dazu soll zunächst ein Entwurfsraum definiert werden, der verschiedene Konfigurationsmöglichkeiten umfasst. Anschließend sollen die verschiedenen Modellkonfigurationen anhand verschiedener Problemstellungen und Semantiken empirisch untersucht werden.

Ein weiterer wichtiger Bestandteil der Arbeit ist die Analyse der Abhängigkeit zwischen Modellperformanz und Graphmerkmalen bzw. Graphstruktur. Dazu sollen verschiedene Datensätze aus synthetisch generierten Argumentationsgraphen und etablierten Benchmarks wie denen der International Competition on Computational Models of Argumentation (ICCMA) 1 untersucht werden. Für diese Instanzen können Graphmerkmale wie Anzahl der Argumente, Anzahl der Angriffe, Dichte, Zyklen, Selbstangriffe, In- und Out-Degrees oder Größe der Extensionen erhoben und deren Einfluss auf die Leistungsfähigkeit des Modells untersucht werden. Dadurch sollen GNN-Designs identifiziert werden, die für bestimmte Klassen von Argumentationsgraphen zu bevorzugen sind.

Literatur

[1] Pietro Baroni, Martin Caminada, and Massimiliano Giacomin. Abstract argumentation frameworks and their semantics. In Pietro Baroni, Dov Gabbay, Massimiliano Giacomin, and Leendert van der Torre, editors, Handbook of Formal Argumentation, pages 159–236. College Publications, 2018.

[2] Dennis Craandijk and Floris Bex. Deep learning for abstract argumentation semantics. In Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence (IJCAI 2020), pages 1667–1673. ijcai.org, 2020. doi: 10.24963/ijcai.2020/231. URL https: //doi.org/10.24963/ijcai.2020/231.

[3] Phan Minh Dung. On the acceptability of arguments and its fundamental role in non- monotonic reasoning, logic programming and n-person games. Artificial Intelligence, 77 (2):321–357, 1995. doi: 10.1016/0004-3702(94)00041-X. URL https://doi.org/10.1016/ 0004-3702(94)00041-X.

[4] Georgios Gkarmpounis, Christos Vranis, Nicholas Vretos, and Petros Daras. Survey on graph neural networks. IEEE Access, 12:128816–128832, 2024. doi: 10.1109/ACCESS.2024. 3456913.

[5] Thomas N. Kipf and Max Welling. Semi-supervised classification with graph convolutional networks. In Proceedings of the 5th International Conference on Learning Representations (ICLR 2017), 2017. URL https://openreview.net/forum?id=SJU4ayYgl.

[6] Isabelle Kuhlmann and Matthias Thimm. Using graph convolutional networks for appro- ximate reasoning with abstract argumentation frameworks: A feasibility study. In Nahla Ben Amor, Benjamin Quost, and Martin Theobald, editors, Scalable Uncertainty Mana- gement – 13th International Conference, SUM 2019, volume 11940 of Lecture Notes in Computer Science, pages 24–37. Springer, 2019. doi: 10.1007/978-3-030-35514-2_3. URL https://doi.org/10.1007/978-3-030-35514-2_3.

[7] Lars Malmqvist, Tangming Yuan, and Peter Nightingale. Approximating problems in ab- stract argumentation with graph convolutional networks. Artificial Intelligence, 336:104209, 2024. doi: 10.1016/j.artint.2024.104209. URL https://doi.org/10.1016/j.artint.2024. 104209.

[8] Matthias Thimm. Heuristic algorithms for credulous and sceptical reasoning problems in ab- stract argumentation. Journal of Logic and Computation, 35(5):exaf038, 07 2025. ISSN 0955- 792X. doi: 10.1093/logcom/exaf038. URL https://doi.org/10.1093/logcom/exaf038.

9] Petar Veličković, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Liò, and Yoshua Bengio. Graph attention networks. In Proceedings of the 6th International Con- ference on Learning Representations (ICLR 2018), 2018. URL https://openreview.net/ forum?id=rJXMpikCZ.

[10] Jiaxuan You, Rex Ying, and Jure Leskovec. Design space for graph neural networks. In Advances in Neural Information Processing Systems, volume 33, pa- ges 17009–17021, 2020. URL https://proceedings.neurips.cc/paper/2020/hash/ c5c3d4fe6b2cc463c7d7ecba17cc9de7-Abstract.html.