ترجمه فارسی مقاله استدلال انتزاعی مبتنی بر ترجیح برای استدلال مبتنی بر مورد (همراه با پیوست)

چکیده

In the pursuit of enhancing the efficacy and flexibility of interpretable, data-driven classification models, this work introduces a novel incorporation of user-defined preferences with Abstract Argumentation and Case-Based Reasoning (CBR). Specifically, we introduce Preference-Based Abstract Argumentation for Case-Based Reasoning (which we call AA-CBR-P), allowing users to define multiple approaches to compare cases with an ordering that specifies their preference over these comparison approaches. We prove that the model inherently follows these preferences when making predictions and show that previous abstract argumentation for case-based reasoning approaches are insufficient at expressing preferences over constituents of an argument. We then demonstrate how this can be applied to a real-world medical dataset sourced from a clinical trial evaluating differing assessment methods of patients with a primary brain tumour. We show empirically that our approach outperforms other interpretable machine learning models on this dataset.

چکیده به فارسی (ترجمه ماشینی)

در جستجوی افزایش اثربخشی و انعطاف پذیری مدلهای طبقه بندی قابل تفسیر ، داده محور ، این کار یک ترکیب جدید از ترجیحات تعریف شده توسط کاربر را با استدلال انتزاعی و استدلال مبتنی بر مورد (CBR) معرفی می کند.به طور خاص ، ما استدلال انتزاعی مبتنی بر ترجیح را برای استدلال مبتنی بر مورد (که ما آن را AA-CBR-P می نامیم) معرفی می کنیم ، و به کاربران این امکان را می دهد تا چندین روش را برای مقایسه موارد با یک سفارش تعریف کنند که ترجیح آنها را نسبت به این روشهای مقایسه مشخص می کند.ما ثابت می کنیم که این مدل ذاتاً هنگام پیش بینی این ترجیحات را دنبال می کند و نشان می دهد که استدلال انتزاعی قبلی برای رویکردهای استدلال مبتنی بر مورد در بیان ترجیحات مربوط به مؤلفه های یک استدلال کافی نیست.ما سپس نشان می دهیم که چگونه می توان این کار را برای یک مجموعه داده پزشکی در دنیای واقعی تهیه کرد که از یک کارآزمایی بالینی ارزیابی می شود و روشهای مختلف ارزیابی بیماران مبتلا به تومور مغز اولیه را ارزیابی می کند.ما به صورت تجربی نشان می دهیم که رویکرد ما از سایر مدل های یادگیری ماشین قابل تفسیر در این مجموعه داده استفاده می کند.