1。介绍
1.1。与不确定性推理许多的信息来源提供不确定信息。这些信息可能会与概率估计特定事件发生的可能性(如天气预报),在这种情况下我们处理(精确或一阶)概率的不确定性。然而,通常概率信息丢失,或概率是不清楚准确地说,在这种情况下我们处理高阶不确定性(简而言之,侯)。侯发生在底层的概率分布或只是部分不是很清楚。<年代up我d="footnotesuper1">
这个问题的答案是否下一个C<年代米一个ll>OM一个<年代米一个ll>RG会议将举行混合是不确定的。此外,一个人不能附加一个精确的概率:最好的,只能说,它至少有0.7的可能性(给定语句1和3)。我们正在处理侯相较于仅一阶不确定性:与问题如何可能在秋天是COVID波,C的问题的可能性有多大<年代米一个ll>OM一个<年代米一个ll>RG将混合没有精确的答案。
示例2年代trong>(埃尔斯伯格,1961一个>)。假设一个骨灰盒包含30个红球,和60非红色球,其中每个球是黄色或黑色,但是我们不知道黄色和黑色的分配球。是否随机画球是红色的是一阶的不确定性,因为它带有⅓的概率(精确)。质疑它是黄色的是侯因为可用概率信息不会导致一个精确的概率估计。看到<一个href="#F1">图1一个>(右)的说明。1。2。第一,高阶人类认知的不确定性和AI (HCAI)
因为我们的环境有许多的不确定信息来源,量化和不是,也就不足为奇了人类推理的处理这种情况。更重要的是,人类推理区分这两种类型的不确定性,以不同的方式对待他们。例如,在示例2的人更愿意押注画一个红球,而不是画一个黄色的球在一个游戏,一个赢了如果一个正确的颜色。这种现象被称为模糊性或不确定性规避。的区别可以追溯到心理和神经水平。例如,不同类型的心理或其他医疗问题与妥协一阶下决策的不确定性,但不是在侯(如。、赌博问题<一个href="#B9">Brevers et al。(2012)一个>强迫症,<一个href="#B50">Zhang et al。(2015)一个>,病态的购买问题<一个href="#B48">Trotzke et al。(2015)一个>),反之亦然(如帕金森症<一个href="#B22">Euteneuer et al ., 2009一个>)。这说明,不同的因果机制是与人类的推理能力与这两种类型的不确定性。同样,在神经层面差异可以追溯到,尽管它仍然是一个开放的问题两类不确定性是否有单独的或分级表征在大脑中(见<一个href="#B14">De Groot和Thurik (2018)一个>,我们也查阅最近概述心理和神经文学)。讨论强调的是人类推理的形式模型应该特别注意这两种类型的不确定性和提供一个框架,可以集成混合推理过程,比如在我们的示例1和2。同样可以说明人工智能原因很简单,在许多应用程序中人工代理将面临不确定的信息来源。当推理与不确定信息,我们推断可作废的,也就是说,鉴于新(并且可能更可靠)信息我们可能愿意收回的推论。有力地认为哲学理由<一个href="#B47">Toulmin (1958)一个>、推理自然作为一种论证研究。同样,Mercier认知科学家和Sperber发达一个人类推理的好辩的理论(<一个href="#B38">Mercier Sperber, 2017一个>)。粪便的抽象论证理论(<一个href="#B18">粪便,1995一个>)提供一个统一的一个正式的框架具有争议性的可废止的推理模型,现在被广泛采用的上下文中符号人工智能和人类认知的上下文中提供解释性框架(<一个href="#B44">沙尔丹哈和卡卡,2019一个>;克莱默和迪茨沙尔丹哈,2020年一个>)。几种方法的实例化抽象的论证提出了具体的形式语言和规则集,如毒蛇+ (<一个href="#B39">专论和Prakken 2014一个>),一个年代年代u米pt我on- - - - - -b一个年代ed论证(<一个href="#B17">粪便et al ., 2009一个>)和基于逻辑的论证(<一个href="#B6">Besnard和亨特,2001一个>;Arieli Straßer, 2015一个>)。似乎因此有利的理论基础卫生保健相关感染合并正式论证的表示第一次和高阶的不确定性。本文将提出这样一个正式的框架。1。3。正式的方法
有几种正式的这种类型的推理模型:不精确概率(<一个href="#B8">布拉德利,2019一个>)主观逻辑(<一个href="#B34">Jøsang 2001一个>)和概率论证(<一个href="#B25">有,2009一个>)。然而,链接到计算论证的主要范式,即Dung-style论证语义,相当宽松。概率性的论证与不确定的概率相对可以理解在正式辩论。猎人和Thimm (<一个href="#B33">猎人和Thimm, 2017一个>;亨特,2022一个>)专注于精确的概率。我们的框架概括方面包括治疗侯这样的设置。同时,与他们相比,我们将利用粪便论证语义上下文中的概率论证。<一个href="#B32">猎人et al。(2020)一个>装备参数与一定程度的信念以及难以置信,想法也可以表达的框架和将被认为是在我们的研究中有论证的力量。提出了一个框架,认为不精确概率<一个href="#B41">奥伦et al。(2007)一个>。它利用主观逻辑上下文中的对话型方法推理有关的证据。同样的,<一个href="#B45">Santini et al。(2018)一个>标签参数与意见从主观逻辑抽象的论证。相比之下,我们的研究着重于结构化的论证。主要从精(<一个href="#B21">埃尔斯伯格,1961一个>),侯一直集中在决策理论的背景下进行研究。已经证明,人类的推理与侯可能导致违反主观期望效用理论的公理(使公理化<一个href="#B46">野蛮人,1972一个>(如),导致几种不同的账户。最大最小期望效用<一个href="#B24">报信,Schmeidler (2004)一个>或前景理论<一个href="#B35">卡尼曼和特沃斯基(1979)一个>]。在这篇文章中,我们忽略公用事业、价值观和实践决策和精力集中于推理的认知环境信念形成和假说的一代。我们将展示,即使没有公用事业侯产生有趣的和具有挑战性的推理场景。1。4。我们的贡献
在本文中,我们集成推理与侯在抽象的论证。为实现这一目标,必须回答几个关键问题:1。<我>知识库是什么?我>知识库包含严格的假设(同时,约束)和可废止的假设的概率信息可用概率函数的形式的一个家庭。后<一个href="#B25">有(2009)一个>,我们区分概率和non-probabilistic(同样,逻辑)变量,只有前设置概率信息是可用的。
2。<我>什么是逻辑结构的论点吗?我>我们将遵循传统逻辑/演绎论证根据这一个论点是一对<米一个th><米row><米row>
〈米o><米row><米row><米i mathvariant="script">
年代米我>米row><米o>
,米o><米我>ϕ
米row><米o>
〉米o>米row>米row>
在哪里<米一个th><米row><米row>
年代米我>米row>米row>
是一组假设和演绎遵循从ϕ一句话<米一个th><米row><米row>
年代米我>米row>米row>
(在迹象,<米一个th><米row><米row>
年代米我>米row><米o>
⊢米o><米我>ϕ米row>米ath>)。3所示。<我>一个论点比另一个是什么时候?我>我们提出若干措施的论证强度的特殊考虑侯和研究他们的属性。任何模型的可废止的推理可能有各种各样的应用程序,从规范哲学non-monotonic符号人工智能推理模型,叙述地足够的(因此预测)人类推理的模型。当考虑论证强度,我们这里关注后者,并提供一个小的实证研究(包括著名的推理等任务<一个href="#B21">埃尔斯伯格,1961一个>),以检查前面定义的概念的准确性。显然,这是一个初步的第一步,只能指向一个方向,而不是最终确认的正式概念在本文开发的。<年代up我d="footnotesuper2">
4所示。<我>什么是一个好辩的攻击?我>我们学习四种好辩的攻击,即反驳和三种形式的削弱。
5。<我>如何获得这些行为端正的选择的参数?我>我们学习一些标准论证语义<一个href="#B18">粪(1995)一个>对于不同的攻击形式的理性假设为结构化开发的论证<一个href="#B11">Caminada和Amgoud (2007)一个>。当应用论证语义,问题的一致性扩展已知从逻辑论证重新出现:即在给定的参数组的结论完整的扩展可能是不一致的。我们将提出一个解决这个问题的上下文,也适用于概率风格的论证<一个href="#B33">猎人和Thimm (2017)一个>和逻辑论证。此外,我们认为,一个天真的选择强度通过某一阈值的参数会导致不一致。相反,选择在粪便的传统似乎更有前途。首先,我们Dung-based方法满足几个理性假设(包括一些关于选择的一致性)。此外,它允许恢复的论点辩护从攻击其他选定参数非选择性参数。这是有利的例如,当采用一个调查或假设的推理方式。
我们的工作需要为出发点的理论概率开发的论证<一个href="#B25">有(2009)一个>。(1)结构化的框架是增强论证的概念在逻辑论证的风格,(2)好辩的攻击,(3)数的概念论证强度(基于支持度的概念,提出了程度的可能性<一个href="#B25">有(2009)一个>),(4)Dung- - - - - -年代tyle论证语义的研究。通过这种方式,我们获得一个泛化的某些形式的逻辑论证(<一个href="#B7">Besnard和亨特,2018一个>)和传统的概率论证<一个href="#B33">猎人和Thimm (2017)一个>。论文的结构如下。在第2部分中,我们引入知识库和参数。在第三节,我们将讨论论证语义的应用和研究理性假设相对于所使用的攻击形式。第四部分介绍了实证研究论证的力量。我们在第五节提供了一个讨论和结论。在<一个href="#SM1">附录一个>(补充材料一个>),我们提供我们的主要结果的证明,一些替代但等价定义和细节在我们的实证研究。<一个我d="h3" name="h3">
2。知识库和参数
2.1。知识库我们的推理过程从来没有从空白开始,但我们利用信息在构建参数。这可用信息编码在一个知识库。在我们最初示例1,我们有两种类型的信息:1。概率信息关于COVID-wave (“COVID波在秋天的可能性是70%”)。这些信息可能地面可废止的假设,如“COVID波会(可能)(不)发生”;和
2。事实信息约束有关会议的情况下将混合(也就是说,如果有一个COVID波在秋天)。
更一般地,我们将遵循这个粗糙的区别在概率信息,产生可废止的假设,一方面,和事实的约束,另一方面。理性约束是理所当然的,因为一个人相信的真理,或者致力于他们的推理过程(例如,他们可能会认为在一集假言推理<年代up我d="footnotesuper3"><米年代ub><米row><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
→米o><米row><米o>{米o><米row><米n>0<米o>,<米n>1米row><米o>}米o>米row>米row>
)。这允许情况下,不止一个概率函数是可用的,例如,场景的多个源的概率被认为或概率状态空间的信息<米一个th><米row><米年代tyle mathvariant="sans-serif">
州米text>米年代tyle>
(米o><米row><米年代ub><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
)米o>米row>米row>
是不完整的(见下面的例子)。为一个句子ϕ我们让∥ϕ∥是状态的集合<米一个th><米row><米我>
年代米我><米o>∈<米年代tyle mathvariant="sans-serif">
州米text>米年代tyle>
(米o><米row><米年代ub><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
)米o>米row>米row>
的<我>年代我>⊨ϕ。对于一些<米一个th><米row><米我>
年代米我><米o>∈<米年代tyle mathvariant="sans-serif">
州米text>米年代tyle>
(米o><米row><米年代ub><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
)米o>米row>米row>
,我们表示通过ŝ连词<米一个th><米row><米o>∧米o><米row><米o>{米o><米row><米我>ϕ米我><米o>∣<米我>α<米row><米ostretchy="false">
(米o><米row><米我>ϕ米我>米row><米ostretchy="false">
)米o>米row><米o>=米o><米n>1<米o>,<米我>ϕ<米o>∈<米年代ub><米row><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
}米o>米row><米o>∪米o><米row><米o>{米o><米row><米o>¬米o><米我>ϕ<米o>∣<米我>α<米row><米ostretchy="false">
(米o><米row><米我>ϕ米我>米row><米ostretchy="false">
)米o>米row><米o>=米o><米n>0<米o>,<米我>ϕ<米o>∈<米年代ub><米row><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
}米o>米row>米row>
。读者发现的概述本文中使用的符号<一个href="#T1">表1一个>。
我们可能<我>也我>使用命题变量,不考虑(直接)概率信息。我们收集这些<米一个th><米row><米年代ub>
V米我>米row>米row>
l米我>米row>米年代ub>
(逻辑变量)和需要<米一个th><米row><米年代ub>
V米我>米row>米row>
l米我>米row>米年代ub>
∩米o><米年代ub><米row><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
=米o><米我>∅米row>米ath>。通过允许逻辑变量以及概率的逻辑(我们可以团结起来<米一个th><米row><米年代ub>
V米我>米row>米row>
p米我>米row>米年代ub>
=米o><米我>∅米row>米ath>()和概率推理<米一个th><米row><米年代ub>
V米我>米row>米row>
l米我>米row>米年代ub>
=米o><米我>∅米row>米ath>),可以包含两个系统无缝,以下的方法<一个href="#B25">有(2009)一个>。约束与non-probabilistic信息,因此他们通常会涉及概率是基于原子从两组,<米一个th><米年代ub><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
和<米一个th><米年代ub><米row>
V米我>米row>米row>
l米我>米row>米年代ub>
。
约束年代trong>。最后一个元素的知识库是一组事实约束(简而言之,<我>约束我>)<米row><米row>
C米我>米row>米row>
。的公式<米一个th><米row><米我米athvariant="script">
C米我>米row>米ath>是基于原子<米一个th><米row><米年代ub>
V米我>米row>米row>
p米我>米row>米年代ub>
∪米o><米年代ub><米row><米row>
V米我>米row>米row>
l米我>米row>米年代ub>
。
在下面我们写<米一个th><米o>Γ<米年代ub><米row><米o>
⊢米o>米row><米row>
C米我>米row>米row>
ϕ米我>米一个th>的缩写<米一个th><米o>Γ<米o>∪<米row><米我米一个thvariant="script">
C米我>米row><米o>
⊢米o><米我>ϕ米一个th>,在那里<米一个th><米o>Γ<米o>⊆<米年代tyle mathvariant="sans-serif">
发送米text>米年代tyle>
(米o><米row><米年代ub><米row>
V米我>米row>米row>
l米我>米row>米年代ub>
∪米o><米年代ub><米row><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
)米o>米row>米一个th>。它也将是有用的收集所有国家都是一致的<米一个th><米row><米row>
C米我>米row>米row>
和支持一个公式<米一个th><米row><米我>
ϕ米我><米o>∈<米年代tyle mathvariant="sans-serif">
发送米text>米年代tyle>
(米o><米row><米年代ub><米row>
V米我>米row>米row>
l米我>米row>米年代ub>
∪米o><米年代ub><米row><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
)米o>米row>米row>
在<米一个th><米row><米年代ub>
∥米o><米我>ϕ<米o>∥米row><米row>
C米我>米row>米row>
=米o><米row><米o>{米o><米row><米我>年代米我><米o>∈<米年代tyle mathvariant="sans-serif">
州米text>米年代tyle>
(米o><米row><米年代ub><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
)米o>米row><米o>∣米o><米我>ŝ<米年代ub><米row>
⊬米o>米row><米row>
C米我>米row>米row>
¬米o><米我>ϕ<米年代tyle class="text">
和米text>米年代tyle>
ŝ米我><米年代ub><米row>
⊢米o>米row><米row>
C米我>米row>米row>
ϕ米我>米row><米o>
}米o>米row>米row>
。同样的,我们写<米一个th><米row><米我>
年代米我><米年代ub><米row>
⊨米o>米row><米row>
C米我>米row>米row>
ϕ米我>米row>米ath>以防<米一个th><米row><米我>
年代米我><米o>∈<米年代ub><米row><米o>
∥米o><米我>ϕ<米o>∥米row><米row>
C米我>米row>米row>
。我们总结上述讨论以下定义:定义1年代trong>(知识库)。一个knowledge base is a tuple<米一个th><米row><米row>
〈米o><米row><米row><米o>
〈米o><米row><米年代ub><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
,米o><米年代ub><米row><米row>
V米我>米row>米row>
l米我>米row>米年代ub>
〉米o>米row><米o>,米o><米row><米我米一个thvariant="script">
一个米我>米row><米o>
,米o><米row><米我米一个thvariant="script">
C米我>米row><米o>
,米o><米我>ℙ米row><米o>
〉米o>米row>米row>
的•<米一个th><米row><米年代ub>
V米我>米row>米row>
p米我>米row>米年代ub>
是一个有限集的<我>概率变量我>,
•<米一个th><米row><米年代ub>
V米我>米row>米row>
l米我>米row>米年代ub>
是一个有限集的<我>逻辑变量我>这样<米一个th><米row><米年代ub>
V米我>米row>米row>
l米我>米row>米年代ub>
∩米o><米年代ub><米row><米row>
V米我>米row>米row>
p米我>米row>米年代ub>
=米o><米我>∅米row>米ath>,<年代up我d="footnotesuper4">
在哪里<我>P(p)=0。7,p代表COVID-Wave发生和<我>问我>大会的混合。我们可废止的假设<米一个th><米row><米row>
一个米我>米row>米row>
是{<我>p,¬p}(“(不)会有一个COVID-Wave”)。我们组的约束<米一个th><米row><米row>
C米我>米row><米o>
=米o><米row><米o>{米o><米row><米我>p米我><米o>→<米我>问米我>米row><米o>
}米o>米row>米row>
。<一个href="#T2">表2一个>显示了状态空间引起的<米一个th><米row><米年代ub>
V米我>米row>米row>
p米我>米row>米年代ub>
。