Исследование и разработка системы аргументации на основе пересматриваемых рассуждений для задачи обобщения тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Моросин, Олег Леонидович

• Моросин, Олег Леонидович
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Моросин, Олег Леонидович

Содержание

Введение

Глава 1. Теория аргументации: обзор

1.1. Основные понятия и определения теории аргументации

1.2. Подходы к построению аргументационных систем

1.3 Системы абстрактной аргументации

1.3.1. Понятие конфликта и его свойства

1.3.2. Приемлемость аргументов в системах аргументации

1.4. Системы аргументации на основе многозначных логик

1.5. Системы аргументации на основе пересматриваемых рассуждений

1.5.1. Общий критерий адекватности для систем пересматриваемой аргументации

1.6 Выводы по главе 1

Глава 2. Методы и алгоритмы аргументации на основе пересматриваемых рассуждений

2.1. Методы монотонного вывода в системах аргументации

2.1.1. Система монотонного вывода для логики высказываний

2.1.2 Расширение системы для поддержки логики предикатов первого порядка

2.2 Алгоритмы монотонного вывода

2.2.1. Алгоритм прямого вывода

2.2.2. Алгоритм обратного вывода

2.2.3. Алгоритм подтверждения интересов

2.3 Методы пересматриваемого вывода. Обоснование и поражение аргументов

2.3.1 Множественное поражение

2.3.2 Самопоражение

2.3.3 Поражение собственного базиса

2.3.4. Обнаружение конфликтов

2.3.5. Пересматриваемый вывод, основанный на системе флажков

2.4 Алгоритмы пересматриваемого вывода

2.4.1. Алгоритм применения пересматриваемых правил

2.4.2. Алгоритм поиска конфликтов

2.4.2. Алгоритм вычисления статусов поражения

2.5. Степени обоснования в системах аргументации

2.5.1. Алгоритм вычисления степеней обоснования

2.6. Выводы по главе 2

2

Глава 3. Применение системы аргументации для задачи обобщения

3.1. Постановка задачи обобщения

3.1.1. Алгоритм С4.5

3.1.2. Алгоритм С1ЯБ

3.1.3 Модели шума

3.2. Применение аргументации для задачи обобщения

3.3. Формализация проблемы индуктивного формирования понятий в терминах аргументации

3.4. Алгоритм индуктивного формирования понятий с применением аргументации

3.5. Выводы по главе 3

Глава 4. Программная реализация системы аргументации и результаты экспериментов

4.1 . Программная реализация системы пересматриваемых рассуждений

4.1.1 Структура разработанной системы

4.1.2. Системные требования и основные показатели

4.1.3 Программная реализация системы для решения задачи обобщения с применением аргументации

4.2. Результаты экспериментов по улучшению точности классификации для задачи обобщения с помощью реализованной системы

4.2.1 Методика проведения экспериментов

4.2.2. Тестовые наборы данных

4.2.3. Результаты экспериментов

4.2.4. Выводы по результатам проведённых экспериментов

4.3. Внедрение разработанной системы

4.3.1. Постановка задачи

4.3.2. Предложенное решение и реализация системы с помощью аргументации

4.4. Примеры моделирования и решения некоторых задач аргументации с помощью реализованной системы

4.5. Выводы по главе 4

Заключение

Список литературы

Приложения

1. Акты о внедрении

2. Свидетельство о регистрации программного продукта

>

Введение диссертации (часть автореферата) на тему «Исследование и разработка системы аргументации на основе пересматриваемых рассуждений для задачи обобщения»

Введение

Актуальность темы исследований. Важной задачей, возникающей при проектировании интеллектуальных систем поддержки принятия решений (ИСППР), является разработка таких моделей и методов, которые способны функционировать в условиях неполных и, что еще более важно, противоречивых данных. Один из основателей направления Искусственный Интеллект (ИИ) в России Д.А. Поспелов в своем докладе "Десять горячих точек в исследованиях по искусственному интеллекту" [1] называет аргументацию одной из таких "горячих" точек, тем самым отмечая значимость и перспективность разработок по этому направлению. В указанном выше докладе отмечается, что логический подход в его классической форме требует наличия полного перечня исходных положений (аксиом), который бы обеспечивал замкнутость и полноту в некоторой предметной области. Однако, различные практические задачи, решаемые методами ИИ, в большинстве случаев не позволяют построить такие аксиоматические системы. Знания о предметных областях, как правило, являются неполными, неточными и лишь правдоподобными, что делает применение классического логического вывода малоэффективным и требует применения немонотонных и способных работать с противоречивыми данными методов. Так, по A.C. Нариньяни [2] противоречивость данных является одним из её НЕ-факторов и требует специальных методов обработки. Аргументация успешно используется для работы с такими данными и позволяет не только обнаруживать, но и во многих случаях снимать найденные противоречия. Методы теории аргументации относятся к правдоподобным и немонотонным методам, так как все получаемые выводы не считаются абсолютно достоверными и могут быть пересмотрены на более поздних этапах рассуждений при поступлении новых

знаний или даже при новых выводах из существующих знаний, что даёт гораздо больше возможностей для моделирования человеческих рассуждений.

В классической логике достаточно одного доказательства для подтверждения некоторого предположения. В теории аргументации, ставится задача доказательства того, что существует больше доводов "за", чем "против" этого предположения. Таким образом, один довод не говорит о справедливости предположения, а вот превосходство доводов над их опровержением уже означает это.

В рамках научного направления ИИ аргументация получила серьезное развитие после работ Данга (P.M. Dung) [3], [4], Какаса(А.С. Kakas) [5], Лина и LLIo3Ma(F. Lin, Y. Shoham) [6], Врейсвика (Gerard Vreeswijk) [7], [8], Праккен(Н. Prakken) [9] [10]. Существенный вклад в развитие прикладной теории аргументации на основе пересматриваемых рассуждений внесли Поллак (J.L. Pollock) [11], [12], [13], [14], [15], Нут (D. Nute) [16], [17] и Симари(0. Simari) [18]. Позднее теорию аргументации развивали Беснард (Р. Besnard) и Хантер (A. Hunter) [19], Бондаренко (Bondarenko) [20]. Также существенный вклад внёс в теорию аргументации отечественный учёный В.К. Финн [21], [22]. Кроме того, следует отметить работы Куинла (J. Quinlan) [23] [24], Гантера и Вилле (В. Ganter, R. Wille) [25], Виттена и Франка (I. Witten, Е. Frank) [26], С.О. Кузнецова [27], [28], [29] [30], В.П. Гладуна [31] связанные с задачей обобщения, также рассматриваемой в диссертационной работе.

Объектом исследования являются системы аргументации на основе пересматриваемых рассуждений. Предметом исследования является множество методов и алгоритмов систем аргументации, и их применение для решения различных задач ИИ, в том числе задачи машинного обучения.

Целью работы является исследование, разработка методов, алгоритмов и соответствующих программных средств, позволяющих производить

аргументационный вывод на основе пересматриваемых рассуждений, а также применение разработанных средств для улучшения точности классификации объектов в задаче обобщения.

Для достижения указанной цели требовалось решение следующих задач:

1. Исследование существующих методов и алгоритмов теории абстрактной аргументации.

2. Исследование немонотонных систем вывода, а именно теории пересматриваемых рассуждений.

3. Разработка методов и алгоритмов применения пересматриваемых правил вывода для логики предикатов первого порядка (ЛППП).

4. Разработка алгоритмов обнаружения конфликтов для ЛППП.

5. Разработка алгоритма вычисления степеней обоснования для аргументов.

6. Программная реализация системы аргументации на основе пересматриваемых рассуждений.

7. Исследование возможности применения методов аргументации в машинном обучении.

8. Разработка методов, алгоритмов и программных средств для улучшения точности классификации в задаче обобщения.

9. Проверка работы алгоритма и его программной реализации на тестовых задачах аргументации, а также на тестовых задачах обобщения.

Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, теории информации, искусственного интеллекта, а также методов анализа вычислительной сложности алгоритмов.

Достоверность научных положений. Достоверность и обоснованность научных результатов подтверждена теоретическими выкладками, данными

компьютерного моделирования, а также сравнением полученных результатов с результатами, приведёнными в научной литературе.

Научная новизна. Новыми являются:

1. Алгоритмы применения пересматриваемого вывода и нахождения конфликтов с помощью механизма унификации в системах аргументации для ЛППП. Предложенные алгоритмы позволили реализовать систему аргументации на основе теории пересматриваемых рассуждений, способную работать с выражениями ЛППП.

2. Алгоритм вычисления степеней обоснования, позволяющий находить количественную оценку меры достоверности аргументов.

3. Метод улучшения точности классификационных моделей в задаче обобщения с помощью применения аргументации. Предложенный метод позволяет улучшить набор классификационных правил, получаемых методами индуктивного формирования понятий с помощью применения методов аргументации в условиях наличия шума в обучающих выборках.

4. Алгоритм формирования бесконфликтного множества классификационных правил для задачи обобщения, основанный на предложенном методе.

Практическая значимость работы заключается в создании программного комплекса, реализующего систему аргументации на основе пересматриваемых рассуждений, способного проводить немонотонный вывод и работать с противоречивыми данными. Кроме того, реализована подсистема, позволяющая получать улучшенные классификационные модели для задачи обобщения.

Практическая значимость работы подтверждена использованием полученных результатов в системах электронной коммерции ООО "Зеленый квадрат" и в учебном процессе в МЭИ (ТУ) при изучении дисциплины "Математическая логика", о чём имеются акты о внедрении.

Реализация результатов.

Результаты диссертационной работы Моросина О.Л. вошли в отчёты по НИР, выполняемым кафедрой ПМ и ВТ по грантам РФФИ № 11-07-00038-а "Исследование и разработка методов и инструментальных средств достоверного и правдоподобного вывода в интеллектуальных системах поддержки принятия решений", № 14-07-00862 "Методы и инструментальные средства интеллектуального анализа данных в системах поддержки принятия решений", № 15-01-05567 "Исследование и разработка методов и алгоритмов индуктивного формирования понятий в интеллектуальных системах поддержки принятия решений", в отчет по НИР в рамках проектной части государственного задания № 2.737.2014/К, а также в отчёт по НИР, выполняемый по гранту "У.М.Н.И.К.".

На разработанный в диссертационной работе программный комплекс выдано свидетельство о государственной регистрации программы для ЭВМ №2015610956 "Система аргументации на основе пересматриваемых рассуждений" от 21.01.2015г.

Апробация работы. Итоги работы были представлены на нескольких научно - технических конференциях и симпозиумах:

1) Доклад "Методы и алгоритмы нахождения степеней обоснования в системах аргументации" на международной конференции "Открытые семантические технологии проектирования интеллектуальных систем" (08Т18-2014), Минск, Беларусь.

2) Доклад "Argumentation Approach and Learning Methods in Intelligent Decision Support Systems in the Presence of Inconsistent Data" на конференции ICCS 2014, Кэрнс, Австралия.

3) Доклад "Modeling defeasible reasoning for argumentation" на международной конференции "BRICS-CCI'2013 - 1st BRICS Countries Congress on Computational Intelligence and CBIC'2013 - 11th Brazilian Congress on Computational Intelligence", 2013, Ресифе, Бразилия.

4) Доклад на симпозиуме "SPITSE Symposium 2014. Workshops and Summerschool", Ильменау, Германия.

5) Доклад "Обзор методов нахождения степеней обоснования в системах аргументации" на 14-ой национальной конференции по искусственному интеллекту с международным участием КИИ-2014, Казань.

6) Презентация на научной сессии НИЯУ МИФИ-2014, Москва.

Кроме того, результаты работы были опубликованы в рецензируемых научных журналах, включённых высшей аттестационной комиссией России в список изданий, рекомендуемых для опубликования основных научных результатов диссертации:

1. Моросин. O.JI. Аргументация с применением степеней обоснования в интеллектуальных системах // Известия Южного федерального университета. Технические науки. -2014. - №7. С. 142-152.

2. Вагин В.Н., Моросин O.JI. Аргументация в интеллектуальных системах поддержки принятия решений // Информационно-измерительные и управляющие системы. - 2013. - № 6. - Т. 11. - С. 29-36.

3. Вагин В.Н., Моросин O.JI. Применение механизма степеней обоснования в системах аргументации // Вестник ростовского государственного университета путей сообщения - 2013. -№ 3. - С. 4350.

4. Вагин В.Н., Моросин O.JI. Программная реализация системы аргументации со степенями обоснования// Программные продукты и системы. - 2015. -№ 1. - С. 21 -27.

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 22 печатных работах, из них 4 - в журналах, относящихся к списку ВАКа.

Структура и объём работы

Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (78 наименований) и приложения. Диссертация содержит 147 страниц машинописного текста (без приложений). Краткое содержание диссертации по главам. В главе 1 рассматриваются основные понятия и определения теории аргументации. Так, в § 1.1 приводятся основные понятия, универсальные для всех рассматриваемых систем. В § 1.2 предложен обзор различных формализации теории аргументации. В § 1.3 рассматривается теория абстрактных систем аргументации, а также проводится анализ понятия конфликта и его свойств, § 1.4 посвящен обзору многозначных логик аргументации. В § 1.5 введены основные определения теории пересматриваемых рассуждений, такие как понятие аргумента, конфликта, аргументационной системы.

Глава 2 посвящена рассмотрению проблем, связанных с реализацией аргументационной системы на основе пересматриваемых рассуждений. В § 2.1 приводятся методы монотонного и пересматриваемого вывода. Рассматриваются, проблемы применения ЛППП в системе монотонного вывода. В § 2.2 даны алгоритмы монотонного вывода на основе теории натуральной дедукции. В § 2.3 рассматриваются проблемы применения пересматриваемого вывода для ЛППП. Кроме того, описаны некоторые особенные случаи конфликтных ситуаций. В § 2.4 предложены алгоритмы применения правил пересматриваемого вывода и обнаружения конфликтов в системе аргументации, основанной на ЛППП. В § 2.5 ставится вопрос о

количественных оценках достоверности аргументов, а именно о применении механизма степеней обоснования в системе аргументации.

Глава 3 содержит постановку задачи обобщения и рассматривается один из методов её решения - метод индуктивного формирования понятий. Приводится обзор известных алгоритмов построения классификационных моделей и предлагается метод применения аргументации для улучшения качества классификационных моделей, получаемых методами индуктивного формирования понятий. В § 3.1. приводится постановка задачи обобщения, рассмотрены классические алгоритмы индуктивного формирования понятий, которые в дальнейшем будут использованы при аргументации. Кроме того, в §3.1.3 приводятся различные модели шума, который может присутствовать в обучающих выборках. В § 3.2 рассматриваются базовые идеи применения аргументации для улучшения качества классификационных моделей, получаемых методами индуктивного формирования понятий. В § 3.3 дано формальное описание способа применения методов аргументации для задачи обобщения. Алгоритм применения аргументации приводится в § 3.4.

Глава 4 посвящена описанию реализованной системы и обсуждению результатов её применения. Так, § 4.1. содержит описание применяемых при разработке программных средств, структуру разработанной системы, включая блоковую структуру и диаграмму классов. Кроме того, приводится описание интерфейса, правил записи входных и выходных данных; сформулированы системные требования. Раздел § 4.2. посвящен применению аргументации для улучшения точности классификации алгоритмов индуктивного формирования понятий в задачах обобщения. Даётся описание способа применения разработанного программного средства для решения обозначенной задачи, рассматривается методика проведения эксперимента и описание тестовых наборов данных, которые применялись в ходе эксперимента. В § 4.4. показаны

11

результаты моделирования в разработанном программном средстве некоторых характерных задач, в том числе рассматриваются примеры, приведённые в разделе 1 данной работы.

Глава 1. Теория аргументации: обзор

В данной главе рассматриваются основные понятия теории аргументации, приводится обзор различных формализации аргументации, рассматриваются вопросы о нахождении конфликтов, свойствах отношения атаки, а также проблема приемлемости аргументов.

1.1. Основные понятия и определения теории аргументации

Важным блоком современных систем поддержки принятия решений является база знаний. Такая база знаний должна содержать сведения об основных компонентах сложного технического объекта и правилах его функционирования. Очень часто база знаний, используемая в системах поддержки принятия решений содержит неточную, неполную, и даже противоречивую информацию. Классические методы логического вывода не применимы в таких ситуациях. Одним из способов обнаружения и разрешения внутренних противоречий является применение аргументации. Под аргументацией обычно понимают процесс построения предположений относительно некоторой анализируемой проблемы. Как правило этот процесс включает в себя обнаружение конфликтов и поиск путей их решения. В отличие от классической логики аргументация предполагает, что могут быть доводы как "за", так и "против" некоего предположения.

В толковом словаре по искусственному интеллекту [32] дается следующее определение аргументации:

"Аргументация - процесс доказательства истинности утверждения с привлечением фактов, из которых следует истинность данного утверждения, или которое увеличивает уверенность в его истинности".

Заметим, что аргументация применяется не только для "доказательства истинности утверждения", но и для анализа противоречивой ситуации и включает в себя поиск конфликтов и привлечение фактов, из которых следует ложность некоторого аргумента (так называемый поиск контраргументов [33]).

В.К. Финн использует понятие "аргументация" в трёх смыслах [21]. Согласно первому смыслу, рассматривается процесс принятия некоторого искомого предположения (или множества предположений). Этот процесс состоит в поиске высказываний и гипотез, релевантных этому предположению. С помощью найденных высказываний и гипотез определяется принимается искомое предположение или нет. Кроме того, имеется возможность установить причинно-следственные связи между найденными высказываниями. Аргументация в этом смысле есть некоторая составляющая творческого процесса, осуществляющая сбор релевантных знаний для организации рассуждений, целью которых является принятие или непринятие предположения.

Аргументация во втором смысле есть формальная процедура принятия искомого высказывания, основанная на анализе некоторого заданного множества аргументов, среди которых имеются аргументы как "за", так и "против" данного высказывания. Целью такой процедуры является приписывание искомому высказыванию некоторой оценки достоверности или определение выводимости высказывания из множества всех аргументов. Аргументация в этом смысле имеет два аспекта: семантический и синтаксический. Семантический аспект аргументации состоит в порождении оценки высказываний, т.е. определению их допустимости. Семантика аргументации формализуется как средство порождения указанных истинностных значений специально построенной логики аргументации.

14

Синтаксически аргументация формулируется в рамках специальной логики аргументации.

Аргументация в третьем смысле есть аргументационная теория, т.е. некоторая конструкция, содержащая как "постулаты значения", так и семантический аппарат оценивания аргументированных высказываний. Синтаксическая часть аппарата аргументации предполагается заданной, т.е. логический вывод определён средствами логики аргументации.

Обычно выделяют четыре основные задачи неформальной аргументации [34]: постановка задачи, анализ, получение новых фактов и решение. Под постановкой задачи понимается нахождение в тексте задачи посылок и заключений, следующих из них. Задача анализа сводится к нахождению неявных связей между посылками и заключениями, а также к поиску скрытых зависимостей между аргументами. Получение новых фактов - процесс поиска дополнительной информации или вывод новых аргументов из уже имеющейся информации. Наконец, под решением обычно понимают определение достоверности аргумента (еще говорят силы аргумента), т.е. разрешение спора - что сильнее аргументы или контраргументы для некоторого предположения.

Обычно, говоря об аргументации, выделяют три типа информации [19].

1. Объективная информация - информация, полученная из надёжных источников, или которая может быть напрямую измерена или подтверждена. Например, утверждение "В центральной части России весной продолжительность светового дня увеличивается" является объективной информацией, подтверждаемой наукой и нашими наблюдениями. Такая информация, как правило, используется как неоспоримые аргументы.

2. Субъективная информация - информация, полученная из менее надёжных источников. Это могут быть некоторые предположения, суждения. Часто

они формулируются с помощью фраз "как правило", "обычно", "скорее всего". Такая информация и служит "источником" противоречий и конфликтов.

3. Гипотетическая информация. Применяется для построения гипотез. Очень часто является ложной информацией и, более того, бывает заведомо неверной. Однако, построенные аргументы для ее опровержения могут быть полезны для других рассуждений. Например, маловероятно, что уровень мирового океана поднимется на метр в течение следующих 10 лет. Однако, такое предположение полезно при планировании застройки прибрежных территорий с учётом возможности их затопления. Часто при недостатке информации строятся те или иные гипотезы, и производится попытка доказать или опровергнуть их.

Все приведённые типы информации используются в процессе аргументации. Объективная информация применяется для построения фактов и исходных посылок, субъективная информация является источником пересматриваемых выводов, а гипотетическая информация - помогает строить предположения.

Дадим наиболее общее определение аргументации, которое в дальнейшем будет уточняться в соответствии с рассматриваемой формализацией теории аргументации.

Под аргументацией будем понимать процесс анализа задачи, в результате которого выдвигается множество предположений, которые называются аргументами, определяются причинно-следственные связи и находятся конфликты между ними (тем самым определяются аргументы и контраргументы) и, если это возможно, определяется достоверность аргументов (т.е. определяется, является ли аргумент поражённым или нет).

Данное определение является наиболее общим и некоторые его части могут терять смысл для конкретных реализаций аргументационных систем. Например, в абстрактных системах отсутствует информация о причинно-следственных связях между аргументами.

Для разных аргументационных систем понятие конфликта отличается. В наиболее общем случае под конфликтом будем понимать отношение (далее такое отношение будем называть отношением атаки), задаваемое на множестве аргументов и характеризующее наличие противоречивых выводов, получаемых в системах аргументации. Подробнее отношение атаки будет рассмотрено в § 1.3.1.

Рассмотрим некоторые подходы к формализации абстрактных систем.

1.2. Подходы к построению аргументационных систем

В последние 10-20 лет было разработано несколько подходов к формализации теории аргументации. Все эти подходы можно условно разделить на три типа [19].

1. Абстрактные системы, предложенные Дангом и позднее исследованные Праккеном и Сартором. В этих системах аргументы представляются как элементы множества, на котором задано бинарное отношение "атака", при этом авторы полностью абстрагируются от внутренней структуры аргументов и природы множества аргументов. В системах абстрактной аргументации отсутствует механизм получения новых аргументов, и задача сводится к поиску неконфликтующих аргументов на заданном множестве аргументов. Основополагающими работами в данном направлении исследований, безусловно являются работы П. Данга (P.M. Dung)[5], [20]. В этих работах были сформулированы основные принципы абстрактной аргументации.

2. Системы аргументации на основе модальных многозначных логик [22].

17

3. Системы логической аргументации пересматриваемых рассуждений. В таких системах обычно происходит введение пересматриваемого следствия в качестве элемента языка, то есть, кроме импликации в обычном смысле, вводится её пересматриваемый аналог. Основные принципы систем аргументации, основанных на пересматриваемых рассуждениях, были сформулированы Д. Поллаком (John Pollack) [15], [35]. Аргументы в таких системах представляются как последовательность рассуждений, ведущих к заключению, каждый шаг которых может подвергнуться поражению. На содержательном урове под поражением аргумента понимается наличие контраргументов, свидетельсвующих о недостоверности аргумента (на формальном уровне понятие поражения будет рассмотрено в главе 2).

Остановимся подробнее на каждом типе аргументационных систем.

1.3 Системы абстрактной аргументации

Данг [5] предложил способ формализации аргументации в виде ориентированного графа, вершины которого обозначают аргументы, а его дуги — отображают бинарное отношение "атака". В абстрактных системах аргументации говорят, что аргумент А атакует аргумент В, если А является контраргументом для аргумента В. В таких системах не раскрывается, как аргументы взаимодействуют друг с другом, отношение атаки задаётся декларативно; также отсутствуют механизмы вывода новых аргументов.

Определение 1.3.1. Графом аргументов называется пара (А, 9?), где А={Ль Аг, ... А„} — множество аргументов, п - количество аргументов в системе, а — бинарное отношение на множестве А (т. е. А х А).

Элемент А, £ А, 1< / <п называется аргументом и запись (А/, Ау) £ 9? означает, что А атакует аргумент Д,-. Для краткости отношение атаки между аргументами А\ и Лу будем записывать следующим образом: А,91А¡.

Определение 1.3.2. Пусть/"^А— некоторое подмножество аргументов А. Г атакует Ау £ А если существует аргумент А -, £ Г, такой, что А[ атакует А]. Г защищает от атак А\ £ А, если для каждого аргумента А] Е А, если А] атакует А, то Г атакует А].

Такие системы называются абстрактными, так как природа аргументов и атак игнорируются. В частности, внутренняя логическая структура каждого из аргументов не раскрывается и не определяется, характеризует ли атака противоречие, подрыв или какую-то другую форму конфликта. Таким образом, аргументы и отношения атаки между ними являются абстрактными и контекстно-независимыми в том смысле, что нет механизмов для получения какой-либо новой информации об аргументах и отношениях между ними.

Приведем простой пример.

Пример 1.1. Рассмотрим следующую дилемму, которая может возникнуть в редакции некоего журнала.

A. Следует опубликовать личную информацию о чиновнике Р, так как он является публичной личностью.

B. Стало известно, что Р сложил с себя полномочия чиновника, следовательно, он более не является публичной персоной.

На рис. 1.1. приведена формальная схема данной задачи. На всех иллюстрациях в данной главе будем обозначать аргументы овалами, пунктирной стрелкой - отношения атаки.

Рис. 1.1. Иллюстрация примера 1.1.

На ней отображено, что аргумент В атакует аргумент А. После формализации задачи в терминах абстрактной аргументации, обратный переход невозможен, т.е. семантика исходной задачи полностью теряется.

Рассмотрим некоторые свойства отношения "атака".

1.3.1. Понятие конфликта и его свойства

Как уже было отмечено, понятие конфликта является ключевым в системах аргументации. В абстрактных системах аргументации конфликты между аргументами характеризуются бинарным отношением атаки. Обычно в системах абстрактной аргументации не накладываются особые требования для отношения атаки 9?. Покажем, что в общем случае отношение 9? не является антирефлексивным, антисимметричным, транзитивным и антитранзитивным.

Список литературы диссертационного исследования кандидат наук Моросин, Олег Леонидович, 2015 год

Список ЛИТЕРАТУРЫ

¡.Поспелов Д. А. Десять «горячих точек» в исследованиях по искусственному интеллекту // Интеллектуальные системы (МГУ), Т. 1, № 1, 1996. С. 47-56.

2. Нариньяни. Сборник трудов Национальной конференции по ИИ КИИ-94 (Рыбинск. - 1994) // НЕ-факторы и инженерия знаний: от наивной формализации к естественной прагматике. Тверь : АИИ. 1994. Т. 1. С. 918.

3. Dung М. On the Acceptability of Arguments and its Fundamental Role in Nonmonotonic Reasoning and Logic Programming. // IJCAI, Vol. 93, 1993. pp. 852-857.

4. Dung P.M. On the acceptability of arguments and its fundamental role in nonmonotonic reasoning, logic programming and n-person games // Artificial Intelligence, 1995. pp. 321-357.

5. Kakas , Mancarella , and Dung P.M. The acceptability semantics for logic programs // Proceedings ICLP-94. 1994. pp. 504-519.

•

6. Lin F., Shoham. Argument systems: A uniform basis for non-monotonic reasoning // Proceedings KR-89. 1989.

7. Vreeswijk G.A.W. Abstract argumentation systems // Artificial intelligence, Vol. 90, No. 1, 1997. pp. 225-279.

8. Vreeswijk G. Defeasible dialectics: A controversy-oriented approach towards defeasible argumentation // Journal of Logic and Computation, Vol. 3, No. 3, 1993. pp. 317-334.

9. Prakken H. A semantic view on reasoning about priorities // Proceedings of the Second Dutch/German Workshop on Nonmonotonic Reasoning. 1995. pp. 152159.

10. Prakken H. Dialectical proof theory for defeasible argumentation with defeasible priorities // Formal Models of Agents. 1999. pp. 202-215.

11. Pollock J.L. Defeasible reasoning // Cognitive science, Vol. 11, No. 4, 1987. pp. 481-518.

12. Pollock J.L. Defeasible reasoning with variable degrees of justification // Artificial intelligence, Vol. 133, No. 1, 2001. pp. 233-282.

13. Pollock. How to reason defeasibly // Artificial Intelligence, No. 57, 1992. pp. 1-42.

14. Pollock J. Natural deduction 1999. URL: http://johnpollock.us/ftp/OSCAR-web-page/oscar.html (дата обращения: 04.03.2015).

15. Pollock J.L. Defeasible reasoning // Cognitive Science, 1987. pp. 481-518.

16. Nute DN and Erk K. Defeasible logic, University of Georgia, Athens, GA, Report AI Center 1995.

17. Nute D. Defeasible reasoning and decision support systems // Decision support systems, Vol. 4, No. 1, 1988. pp. 97-110.

18. Simari G.R., Loui R.P. A mathematical treatment of defeasible argumentation and its implementation // Artificial Intelligence, Vol. 53, 1992. pp. 125-157.

19. Besnard P., Hunter A. Elements of argumentation. MIT press, 2008.

20. Bondarenko A., Dung P.M., Kowalski R., and Toni F. An abstract, argumentation-theoretic approach to default reasoning // Artificial Intelligence, 1997. pp. 63-101.

21. Финн B.K. Об одном варианте логики аргументации // НТИ, Т. 2, 1996. С. 5-6.

22. Финн В.К. Стандартные и нестандартные логики аргументации // В кн.: Искусственный интеллект: методология применения, философия. М.-КРАСАНД. 2011. С. 312-338.

23. Quinlan J.R. Induction of decision trees // Machine Learning, Vol. 1, No. 1, 1986. pp. 81-106.

24. Quinlan R. C4.5: Programs for Machine Learning. San Francisco: Morgan Kaufmann Publishers Inc., 1993.

25. Ganter В., Wille R. Formal Concept Analysis. Mathematical Foundations. Berlin : Springer-Verlag, 1999. 288 pp.

26. Witten I.H., Frank. Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2005.

27. Kuznetsov. Machine learning on the basis of formal concept analysis // Automation and Remote Control, Vol. 62, No. 10, 2001. pp. 1543-1564.

28. Kuznetsov O. Galois connections in data analysis: Contributions from the soviet era and modern russian research // Formal Concept Analysis: Foundations and Applications, Lecture Notes in Artificial Intelligence, Vol. 3626. pp. 196-225.

29. Ganter , Kuznetsov S.O. Hypotheses and Version Spaces // Proc. 10th International Conference on Conceptual Structures (ICCS 2003), Lecture Notes in Artificial Intelligence. 2003. Vol. 2746. pp. 83-95.

30. Kuznetsov S.O. Scalable Knowledge Discoveiy in Complex Data with Pattern Structures // Proc. 5th International Conference Pattern Recognition and Machine Intelligence (PReMI'2013), Lecture Notes in Computer Science. 2013. No. 8251. pp. 30-41.

31.Гладун В.П. Эвристический поиск в сложных средах. Киев: Наукова думка, 1977.

32. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту. Радио и связь, 1992.

33. Вагин В.Н., Головина Е.Ю., Загорянская , Фомина. Достоверный и правдоподобный вывод в интеллектуальных системах. Москва: ФизМатЛит, 2008.

34. van Benthem J. Argumentation in artificial intelligence. Heidelberg: Springer, 2009.

35. Pollock J.L. Cognitive Carpentry: A blueprint for how to build a person. MIT Press, 1995.

36. Sobel J.H. The law student and his teacher // Theoria, No. 53, 1987. pp. 1-18.

37. Prakken H. An abstract framework for argumentation with structured arguments // Argument and Computation, Vol. 1, No. 2, 2010. pp. 93-124.

38. Baroni P., Giacomin M. Solving semantic problems with odd-length cycles in argumentation // In: Symbolic and Quantitative Approaches to Reasoning with Uncertainty. Berlin : Springer, 2003. pp. 440-451.

39. McGuire , Birnbaum L., and Flowers M. Opportunistic Processing in Arguments', // Proc. of Seventh IJCAI. 1981. pp. 58-60.

40. Smullyan R.M. First-order logic. Springer-Verlag, 1968.

41.Vermeir D., Laenens E., and Geerts. Defeasible logics // In: Handbook of Defeasible Reasoning and Uncertainty Management. Kluwer, 1998.

42. Paulson L.C. Natural deduction as higher-order resolution // The Journal of Logic Programming, Vol. 3, No. 3, 1986. pp. 237-258.

43. Sieg , Byrnes J. Normal Natural Deduction Proofs (in classical logic) // Studia Logica, Vol. 60, No. 1, 1998. pp. 67-106.

44. Вагин B.H., Моросин O.JI. Труды Тринадцатой национальной конференции по искусственному интеллекту с международным участием (КИИ-2012, 16-20 октября 2012 г., Белгород, Россия) // Система аргументации для логики предикатов первого порядка. Белгород: Изд-во БГТУ. 2012. Т. 1.С. 34-42.

45. Чень Ч., Ли Р. Математическая логика и автоматическое доказательство теорем. М: Наука, 1983. 358 с.

46. Garcia J., Simari R. Defeasible logic programming: An argumentative approach // Theory and practice of logic programming, Vol. 4, No. 1, 2004. pp. 95-138.

47. Vreeswijk GAW. Interpolation of Benchmark Problems in Defeasible Reasoning, 1995.

48. Вагин В., Моросин O.JI. Труды Конгресса по интеллектуальным системам и информационным технологиям. IS&IT 13 // Применение теории аргументации для поиска конфликтов в базах знаний. М.: Физматлит. 2013. Т. 1.С. 132-140.

49. Betz. On degrees of justification // Erkenntnis, Vol. 77, No. 2, 2012. pp. 237272.

50. Haenni , Kohlas J., and Lehmann. Probabilistic argumentation systems // In: Handbook of Defeasible Reasoning and Uncertainty Management. Kluwer, 2000. pp. 221-288.

51.Моросин О.Jl. Аргументация с применением степеней обоснования в интеллектуальных системах // Известия Южного Федерального Университета. Технические науки., Т. 7, 2014. С. 142-152.

52. Wille R. Restructuring lattices theory: an approach based on hierarchies of concepts // In: Ordered Sets. 1982. pp. 445^170.

53. Финн К. О машинно-ориентированной формализации правдоподобных рассуждений в стиле Ф. Бэкона-ДС Милля // Семиотика и информатика, No. 20, 1983. pp. 35-101.

54. Poelmans , Kuznetsov , Ignatov , and Dedene G. Formal Concept Analysis in knowledge processing: A survey on applications // Expert systems with applications, Vol. 40, No. 16, 2013.

55. Бонгард. Проблема узнавания. M: Наука, 1967. 320 pp.

56. Quinlan R. Trees, Generating production rules from Decision // IJCAI. 1987. Vol. 87. pp. 304-307.

57. Frank, Witten I.H. Generating accurate rule sets without global optimization // Computer Science Working Papers, 1998. P. paper 98.

58. Pawlak. Rough sets // International Journal of Computer & Information Sciences, Vol. 11, No. 5, 1982. pp. 341-356.

59. Komorowski J., Pawlak Z., Polkowski L., and Skowron A. Rough Sets: A Tutorial // In: Rough fuzzy hybridization: A new trend in decision-making. 1999. pp. 3-98.

60. Knowledge discovery in databases: an attribute-oriented rough set approach, University of Regina, Диссертация 1995.

61. Вагин B.H., Куликов А.В., Фомина М.В. Методы теории приближенных множеств в решении задачи обобщения понятий // Известия РАН. Теория и системы управления, № 6, 2004. С. 52-66.

62. Куликов, Фомина В. Исследование алгоритмов извлечения // МФИ 2000. Информационные средства и технологии. 2000. Vol. 2. pp. 76-79.

63.Бериша A.M., Вагин В.Н., Куликов А.В., Фомина М.В. Методы обнаружения знаний в «зашумлённых» базах данных // Известия РАН. Теория и системы управления, № 6, 2005. С. 143-158.

64. Mookerjee V., Mannino , and Gilson R. Improving the Performance Stability of Inductive Expert Systems under Input Noise // Information Systems Research, Vol. 6, 1995. pp. 328-356.

65. Вагин B.H., Фомина М.В. Труды Тринадцатой национальной конференции по искусственному интеллекту с международным участием (КИИ-2012, 16-20 октября 2012 г., Белгород, Россия) // Исследование влияния шума на работу алгоритмов обобщения. Белгород: Изд-во БГТУ. 2012. Т. 1.С. 155- 163.

66. Антипов С.Г., Старостина , Фомина. Проблема формирования обобщенных понятий при наличии шума в решающих атрибутах // Четырнадцатая национальная конференция по искусственному интеллекту с международным участием КИИ-2014: Труды конференции. Sep 2014. С. 204-213.

67. Vagin V.N., Fomina M.V., and Morosin O.L. Argumentation Approach and Learning Methods in Intelligent Decision Support Systems in the Presence of Inconsistent Data // Procedia Computer Science. / ICCS 2014. 2014. No. 29. pp. 1569-1579.

68. The CN2 Induction Algorithm // Machine Learning, Vol. 3, 1989. pp. 261-283.

69. Merz C., Blake. UCI Repository of Machine Learning [Электронный ресурс] [1998]. URL: http://archive.ics.uci.edu/ml/ (дата обращения: 11.02.2015).

70. Microsoft Research. Microsoft Automatic Graph Layout [Электронный ресурс] URL: http://research.microsoft.com/en-us/projects/msagl/ (дата обращения: 2.12.2014).

71. Вагин В.Н., Моросин O.JI. Программная реализация системы аргументации со степенями обоснования // Программные продукты и системы, Т. 1, 2015. С. 43-50.

72. Куликов А.В., Фомина М.В. Труды девятой национальной конференции по искусственному интеллекту с международным участием (КИИ 2004) Москва. 2004. С. 289-298.

73. Machine Learning Group at the University of Waikato. Weka 3: Data Mining Software in Java URL: http://www.es.waikato.ac.nz/ml/wek£i/index.html (дата обращения: 04.03.2015).

74. Sebastian Т. The monk's problems: A performance comparison of different learning algorithms. 1991.

75. Bohanec M., Rajkovic. Expert system for decision making // Sistemica , Vol. 1, No. 1, 1990. pp. 145-157.

76. M. S. Breast Cancer Data Set 1988. URL: http://archive.ics.uci.edu/ml/ datasets/Breast+Cancer

77. Vreeswijk GAW. Interpolation of benchmark problems in defeasible reasoning, Universiteit Maastricht, Department of Computer Science, 1995.

78. Toulmin S. The Uses of Arguments. Cambridge: Cambridge University Press, 1958.