Modul 64410 Fachpraktikum Künstliche Intelligenz

Modulinformationen

Das Themengebiet des Schlussfolgerns (engl. Reasoning) ist im Bereich der Künstlichen Intelligenz einzuordnen und befasst sich mit der Ermittlung von Konklusionen aus gegebenem Wissen. Als Teilgebiet des Schlussfolgerns befasst sich die formale Argumentation mit der Interaktion zwischen Argumenten und Gegenargumenten. Obgleich verschiedene Ansätze im Bereich der formalen Argumentation existieren, liegt der Fokus dieses Fachpraktikums auf den sogenannten abstrakten Argumentationssystemen nach Dung [1]. Hierbei werden Argumentationsszenarien als gerichtete Graphen repräsentiert, wobei die Argumente als Knoten und die Konflikte zwischen ihnen als gerichtete Kanten dargestellt werden. Genauer stellt eine Kante in einem solchen Graphen einen Angriff eines Arguments auf ein anderes dar. Im Kontext solcher abstrakter Argumen-tationssysteme ist es üblicherweise von Interesse, sogenannte Extensionen zu identifizieren, d.h. Mengen von Argumenten, die gemeinsam akzeptierbar sind und somit eine kohärente Perspektive auf das Ergebnis der Argumentation bieten.
Bisherige Arbeiten zur Schlussfolgerung mit Hilfe abstrakter Argumentation konzentrieren sich meist auf korrekte und vollständige Ansätze. Solche Verfahren haben zwar den Vorteil, immer die korrekten Ergebnisse zu liefern, können aber je nach Datenlage sehr lange Berechnungszeiten mit sich bringen. Daher sollte das Potenzial von approximativen Methoden nicht außer Acht gelassen werden. Solche Verfahren haben den Vorteil, in der Regel deutlich schneller zu sein als exakte, jedoch auch den Nachteil, dass nicht garantiert werden kann, dass die Ergebnisse auch tatsächlich korrekt sind. In [3] wird eine bestimmter Typ neuronaler Netze, ein Graph Convolutional Network, trainiert, um zu entscheiden, ob Argumente in einer Extension enthalten sind oder nicht. Da die Gesamtklassifizierungsgenauigkeit nur bei etwa 80% liegt, werden in den beiden Folgearbeiten [1] und [4] anspruchsvollere Ansätze vorgestellt.
Das Ziel dieses Fachpraktikums besteht darin, zun¨achst die Resultate aus [1], [3], und [4] zu reproduzie-ren und darauf aufbauend die approximierten Resultate als Heuristik in einen exakten Ansatz, wie etwa in [5] beschrieben, einzubetten, um die Berechnungs- bzw. Lösungsgeschwindigkeit eines solchen Verfahrens zu erhöhen. Somit sollen die Vorteile beider Ansätze – Exaktheit auf der einen und hohe Geschwindigkeit auf der anderen Seite – kombiniert werden, um die praktische Anwendung von Argumentationssystemen zu erleichtern.
[1] Craandijk, D., Bex, F. (2020). Deep Learning for Abstract Argumentation Semantics. In Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence (IJCAI-20) (pp. 1667-1673).
[2] 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) (pp. 321-357).
[3] Kuhlmann, I., Thimm, M. (2019). Using Graph Convolutional Networks for Approximate Reasoning with Abstract Argumen-tation Frameworks: A Feasibility Study. In International Conference on Scalable Uncertainty Management (pp. 24-37). Springer, Cham.
[4] Malmqvist, L., Nightingale, P., Manandhar, S. (2020). Determining the Acceptability of Abstract Arguments with Graph Convolutional Networks. Third International Workshop on Systems and Algorithms for Formal Argumentation (SAFA2020).[5] Geilen, L., Thimm, M. (2017). Heureka – A General Heuristic Backtracking Solver for Abstract Argumentation. In Proceedings of the 2017 International Workshop on Theory and Applications of Formal Argument (TAFA’17).

ECTS10
Arbeitsaufwand
Bearbeitung des Projektes: 260 Stunden
Präsentation der Ergebnisse: 40 Stunden
Dauer des Modulsein Semester
Häufigkeit des Modulsregelmäßig
Anmerkung
Das Fachpraktikum beginnt mit einer Online-Einführungsveranstaltung, bei der eine Übersicht über Multiagentensysteme, sowie die zu bearbeitende Problemstellung gegeben wird. Die Praktikumsteilnehmer werden in kleineren Teams (jeweils 4-5 Studierende) aufgeteilt, die jeweils unabhängig voneinander ein Agententeam für das Szenario entwickeln und implementieren. In regelmäßigen Abständen (ca. monatlich) wird ein Turnier abgehalten, bei dem die verschiedenen Agententeams gegeneinander antreten. Die dabei gemachten Erfahrungen sollen in die Weiterentwicklung der einzelnen Agententeams einfliessen. Am Ende des Praktikums ist die
entwickelte Software und eine schriftliche Ausarbeitung abzugeben. In einer finalen Veranstaltung hält jeder Teilnehmer einen Vortrag von ca. 10 Minuten zu einem Teilaspekt des Praktikums.
Inhaltliche Voraussetzung
Grundlagen der Graphentheorie sind für das Verständnis von abstrakten


Argumentationssystemen von Vorteil. Erfahrungen mit Python und Bibliotheken wie


TensorFlow/PyTorch sind hilfreich und müssen ggfs. im Eigenstudium für das Praktikum


gemacht werden.

Aktuelles Angebot

Prüfungsinformation

M.Sc. Praktische Informatik
Art der Prüfungsleistungerfolgreich bearbeitete Praktikumsaufgabe
Voraussetzungkeine
Stellenwert der Note1/8
Formale Voraussetzungenmindestens zwei Wahlmodulprüfungen müssen bestanden sein
M.Sc. Informatik
Art der Prüfungsleistungerfolgreich bearbeitete Praktikumsaufgabe
Voraussetzungkeine
Stellenwert der Note1/12
Formale Voraussetzungenmindestens zwei Wahlmodulprüfungen müssen bestanden sein
B.Sc. Informatik
Art der Prüfungsleistungerfolgreich bearbeitete Praktikumsaufgabe
VoraussetzungGrundlagen der Theoretischen Informatik und Softwaresysteme sind bestanden.
Stellenwert der Note1/16
Formale VoraussetzungenStudieneingangsphase ist abgeschlossen, die Module Grundpraktikum Programmierung, Grundlagen der Theoretischen Informatik und Softwaresysteme sind bestanden

Download

Ansprechpersonen

mathinf.webteam | 01.12.2021