ترجمه فارسی مقاله یادگیری چارچوبهای استدلال مبتنی بر فرضیه شجاع از طریق ASP

چکیده

Assumption-based Argumentation (ABA) is advocated as a unifying formalism for various forms of non-monotonic reasoning, including logic programming. It allows capturing defeasible knowledge, subject to argumentative debate. While, in much existing work, ABA frameworks are given up-front, in this paper we focus on the problem of automating their learning from background knowledge and positive/negative examples. Unlike prior work, we newly frame the problem in terms of brave reasoning under stable extensions for ABA. We present a novel algorithm based on transformation rules (such as Rote Learning, Folding, Assumption Introduction and Fact Subsumption) and an implementation thereof that makes use of Answer Set Programming. Finally, we compare our technique to state-of-the-art ILP systems that learn defeasible knowledge.

چکیده به فارسی (ترجمه ماشینی)

استدلال مبتنی بر فرض (ABA) به عنوان یک فرمالیسم متحد برای اشکال مختلف استدلال غیر یکنواخت ، از جمله برنامه نویسی منطقی ، مورد حمایت قرار می گیرد.این اجازه می دهد تا دانش قابل قبول ، منوط به بحث استدلالی.در حالی که ، در کار بسیار موجود ، چارچوب های ABA از جلو به شما داده می شود ، در این مقاله ما بر مشکل اتوماسیون یادگیری آنها از دانش پیش زمینه و نمونه های مثبت/منفی تمرکز می کنیم.بر خلاف کار قبلی ، ما به تازگی مشکل را از نظر استدلال شجاع تحت پسوندهای پایدار برای ABA قاب می کنیم.ما یک الگوریتم جدید مبتنی بر قوانین تحول (مانند یادگیری Rote ، تاشو ، معرفی فرض و فرورفتگی واقعیت) و اجرای آن را ارائه می دهیم که از برنامه نویسی مجموعه پاسخ استفاده می کند.سرانجام ، ما تکنیک خود را با سیستم های پیشرفته ILP مقایسه می کنیم که دانش غیرقابل توصیف را می آموزند.