Partial semantics of argumentation: basic properties and empiric...

在本文中，作者探讨了抽象论证框架（Abstract Argumentation Frameworks，简称AF）中部分语义（Partial Semantics of Argumentation）的基础性质和经验结果，特别是关注了论证地位评估的局部计算方法和部分语义的基本属性。文章由贝水辽（Beishui Liao）和黄华新（Huaxin Huang）撰写，发表于浙江大学语言与认知研究中心和哲学系。 作者指出在大多数论证系统中，通常只需要评估系统中部分论证的地位，而无需弄清楚其他论证的状态。基于这样的观察，文章提出了一种高效的方法来评估抽象论证框架中部分论证的地位。具体而言，给定一个抽象论证框架以及一个初始论证子集，首先识别出与该子集相关的最小论证集合（称为子集的关联论证集），然后在满足方向性准则的语义框架下，可以局部地计算出由这些关联论证集合诱导的子框架的扩展集合（称为相对于给定子集的抽象论证框架的部分语义）。 接着，作者介绍了论证部分语义的三个基本属性：单调性（monotonicity）、可扩展性（extensibility）和组合性（combinability）。单调性意味着在论证框架中添加新的论证不会减少已有的论证扩展集合；可扩展性是指如果知道了部分语义，可以扩展到整个框架的语义；组合性则涉及如何将局部计算的部分语义组合起来以得到整个框架的语义。这三个属性对于开发用于评估抽象论证框架中部分论证地位的高效算法至关重要。 文章最后进行了一项实证研究，探讨了使用答案集编程（Answer-Set Programming，简称ASP）计算论证部分语义属性的方法，并通过实验验证了计算优势与给定抽象论证框架的失败图（defeat graph）的边密度密切相关。 整篇文章回顾了近二十年来人工智能领域论证理论研究的广泛进展，包括语义学、证明理论与算法，以及应用实践。作者指出，现有文献中对论证系统中部分论证地位查询时所出现的现象关注较少，文章正是针对此现象开展研究。 本文的研究内容不仅具有理论深度，更具有实际应用价值。例如，在实际的人工智能应用中，论证理论被用来处理不完整、不确定和冲突的信息。在这种情况下，能够高效地评估部分论证状态，不仅可以优化算法的性能，还能加速对大规模论证系统的分析和推理。 此外，文章提出的方法和技术也有助于优化与论证相关的决策支持系统、智能代理、自然语言理解和自动化推理系统。在多智能体系统中，论证框架常用来表示和推理代理间的理由、主张和辩论，这些系统需要能够快速评估特定论证的合理性和影响力，以便做出基于当前知识状态的最优决策。 通过局部计算论证框架中部分语义的方法，可以减少不必要的计算负担，提高决策效率。例如，当一个代理只需要评估部分论据的有效性，而不是整个系统的状态时，这种方法尤其有用。特别是在有大量冗余或低相关性的论据存在时，局部计算可以显著减少搜索空间，从而快速得到所需结论。 本文的贡献在于提供了新的视角和工具来分析和处理论证系统，为解决实际问题提供了一条新的途径。通过深入研究抽象论证框架的部分语义，不仅丰富了理论研究，也增强了实际应用的可能性，为相关的计算复杂性问题提供了新的解决思路。