Un cadre d'argumentation est une structure formelle utilisée en intelligence artificielle et en représentation des connaissances pour modéliser les arguments et les conflits entre eux. Il fournit une base mathématique pour analyser quand un ensemble d'arguments peut être accepté collectivement, même lorsqu'ils se contredisent. Le cadre fait abstraction du contenu interne des arguments individuels, se concentrant plutôt sur la relation d'attaque binaire qui existe entre eux. Cette abstraction permet d'étudier des schémas de raisonnement défaisables, c'est-à-dire dont les conclusions peuvent être retirées face à de nouveaux contre-arguments, une caractéristique clé du raisonnement de sens commun humain.
Introduit par Phan Minh Dung en 1995, le cadre est devenu une pierre angulaire de l'argumentation computationnelle. Il est utilisé dans diverses applications, du raisonnement juridique et des systèmes multi-agents au traitement du langage naturel et aux aides à la décision. L'idée centrale est simple : étant donné un ensemble d'arguments et une relation indiquant quels arguments attaquent lesquels, on peut définir différentes sémantiques spécifiant quels arguments sont considérés comme acceptables. Ces sémantiques sont basées sur la notion d'admissibilité, où un ensemble d'arguments est acceptable s'il peut se défendre contre toutes les attaques.
Définition formelle
Formellement, un cadre d'argumentation est une paire ⟨A, R⟩, où A est un ensemble fini d'arguments, et R est une relation binaire de A dans A, c'est-à-dire R ⊆ A × A. Pour deux arguments a et b, la notation (a, b) ∈ R (ou a R b) signifie que l'argument a attaque l'argument b. Le cadre est d'ordinaire représenté comme un graphe dirigé, où les nœuds représentent des arguments et les arêtes les attaques. Cette représentation graphique est un atout central du cadre, car elle permet l'application d'algorithmes de théorie des graphes pour calculer l'acceptabilité.
Un ensemble S ⊆ A est dit sans conflit si aucun argument a et b dans S n'est tel que a attaque b. Un argument a ∈ A est dit acceptable par rapport à S si, pour tous les arguments b qui modifient a, il existe un argument c dans S qui attaque b. Dans ce cas, c est dit défendre a contre b. Un ensemble sans conflit S est admissible si chaque argument de S est acceptable avec S. Ces définitions constituent la base des différentes sémantiques fondées sur les extensions.
Sémantiques fondées sur les extensions
Le article original de Dung définissait plusieurs sémantiques produisant des ensembles d'arguments acceptables, appelés extensions. Les sémantiques les plus basiques sont la sémantique complète. Un ensemble admissible S est une extension complète s'il contient tous les arguments acceptables par rapport à S. Les extensions complètes existent toujours, mais peuvent être multiples. La sémantique fondée réaliste sélectionne l'extension minimalement complète (par rapport à l'inclusion d'ensembles), qui est unique. Elle est calculée en partant de l'ensemble vide et en ajoutant itéativement tous les arguments acceptables jusqu'à obtenir unpoint fixe. L'extension de circostance to grounded représente la position la plus sceptique, ne contenant que des arguments non vaincus même en considération de toutes les défenses possibles.
The sémantique préférée sélectionne des ensembles admissibles maximaux (par rapport à l'inclusion). Ces extensions représentent des positions plus crédules, car elles incluent le plus d'arguments possible tout en maintenant l'admissibilité. La sémantique stable, une autre importante, exige qu'un ensemble sans conflit S attaque tout argument non primordial dans S. Les extensions stables sont des extensions préférées, mais pour une certaine, toutes les extensions préférées ne sont pas stables. La sémántique idéale, introduite plus tard, fournit un terrain intermédiaire entre grounded et préférée, sélectionnant l'ensemble admissible maximal contenu dans toutes les extensions préférées.
Argumentation abstraite et structurée
Le cadre décrit ci-dessus est abstrait, car il ne prend pas en compte la structure interne des arguments. En contraste, les approches d'argumentation structurée, telles que ASPIC+ et la Programmation Logique Défaisable (DeLP), construisent des arguments à partir des bases de connaissances à l'aide de règles d'inférence et dérivent ensuite une base abstraite de ces grandauves. Cela permet une reprrésentation plus fine des connaissances, mais au prix d'une complexité computationnelle accrue. Le cadre abstrait reste utile comme outil d'analyse à haut niveau, et de nombreux résultats surdes abstraites peuvent être transférés à des contextes structurés.
Propriétés computationnelles
Le calcul des extensions selon diverses sémantiques a été largement étudié. Pour les cadres finis, l'extension de ground can be computed en temps polynomial, car elle implique un processus itératif simple. Namun, déterminer si un argument donné est dans au moins une extension préférée (acceptation crédulume) est NP-complet, et déterminer s'il est dans toutes les extensions préférées (acceptation sceptique) est co-NP-complet. La sémantique stable est semblablement complexe, l'existence d'une extension stable étant NP-complète. Ces résultats de complexité ont motivé le développement d'algorithmes et de solveurs, souvent basés sur des réductions SAT (propositional satisfiability) ou à la programmation par ensembles de réponse (ASP). Le général International Competition on Computational Models of Argumentation (ICCMA) a été tenue depuis 2015 pour benchmarker ces solveurs.
Applications en IA
Les cadres d'argumentation ont trouvé des applications dans de nombreux domaines de l'intelligence artificielle. Dans le raisonnement juridique, ils modélisent les pour et les contre d'une affaire, où les lois et précédents s'attaquent mutuellement. Dans les systèmes multi-agents, les agents peuvent utiliser l'argumentation pour négocier ou parvenir à'un consensus, chaque agent proposant des arguments qui en attaquent d'autres. Dans apprentissage automatique, l'argumentation a été utilisée pour l'IA explicative, où le raisonnement derrière la prédiction d'un modèle est représenté comme un cadres d'argumentation, permettant aux utilisateurs de questionner et de contester la décision. Par exemple, la sortie d'un classifier peut être justifiée par un ensemble d'arguements de support, et des contre-arguments peuvent être présentés comme des attaques.
Dans le traitement du langage naturel, les cadres d'argumentation sont utilisés pour l'extraction d'arguments, c'est-à-dire la tâche d'extraire desarguments et leurs relations à partir de textes. La structure extraite peut ensuite être analysée à l'aide de la sémantique du cadre pour déterminer la force globale d'une position. Cela a des applications dans l'analyse de débats, la détection de fausses nouvelles et le résumé d'opinions. La capacité du cadre à gérer des informations conflictuelles le rend particulièrement adapté à ces tâches, où les sources varient souvent.
Relation avec leurs formalismes
Les cadres d'argumentation sont étroitement liés à d'autres formalismes non monotones, tels que la logique default et la programmation logique avec négation comme échec. En effet, Dung a démontré que la logique programmation peut être interprétée comme un cas particulier d'argumentation, où chaque règle correspond à un argument et les attaques découlent des conclusions contradictoires. Cette connexion a conduit à un échange fécond d'idées, les algorithmes et sémantiques étant transés entre les domaines. Le cadre est également lié à la théorie des jeux high, car l'acceptabilité des arguments peut être caractérisée par l'existence de stratégies gainantes à un jeu dialogues à deux joueurs, où un joueur propose un argument et l'autre l'attaque.
Extensions et variations
Depuis son introduction, de nombreuses extensions ont été proposées pour le cadre de base. Les cadres d'argumentation bipolaires ajoutent une seconde relation de pour le soutien, permettant aux arguments de se renforcer mutuellement. Les cadres d'argumentation pondérée spécifient des poids aux attaques, représentent la la force relative du conflit. Les cadres d'argumentation basés sur les valeurs incorpo call la virgule. Des valeurs que promouvoient des arguments, par exemple une comparison plus nuance. Les cadres d'argumentation probabilistes attribuent des probabilités aux arguments ou aux attaques, permettant le raisonnement en according à l'incertitude. Ces variations augmentent l'expressivité du cadre, mais aussi compliquent la sémantique et le calculaux.
Le cadre a également été intégré à d'autres techniques d'IA. Par exemple, dans l'apprentissage profond, l'argumentationambiguation a été utilisée pour combiner les sorties de plusieurs modèles de [[réseau-neuronal]models, où chaque prédiction d'un modèle est un argument et les divergences sont des attaques. Cette approche d'ensemble peut améliorer la robustesse et fournir un mécanisme de résolution de conflits. Dans le contexte des modèle de langage à grande échelle, les cadres d'argumentation pourraient être utilisés pour structurer le raisonnement d'un modèle, rendant les sorties plus transparentes et vérifiables, bien que ce domain reste une recherche active.
Orientations de recherche actuelles
La recherche contemporaine sur les cadres d'argumentation porte sur plusieurs fronts. L'un d'eux est le développement d'algorithmes efficaces pour les de grandeur, s'appuyant sur le calcul parallèle et les heuristiques. Une autre domain est l'intégration avec l'IA générative, où l'argumentation peut servir de couche de raisonnement pour la génération textes cohérents et défendables. Les chercheurs explorent aussi l'argumentation dynamique, où le cadre change dans le temps à mesure que de nouveaux arguments sont ajoutés ou supprimés, nécessitant des mises à jour incrémentales des extensions. L'emploi de l'argumentation dans l'IA explicative est un domaine en croissance, avec pour objectif fournir des justifications compréhensibles pour les décisions automatisées.
La simplicité et la puissance du cadre ont fait de lui une contribution durable au domaine de la représentation des connaissances. Sa capacité à modéliser le raisonnement de sens commun, où les conclusions sont provisoires et sujettes à révision, reste très pertinente à l'heure où les systèmes d'IA sont déployés dans des environnements complexes et réels. Au début des années 2050, les cadres d'argumentation continuent d'être un domaine de vives recherche, avec des applications allant de la technologie juridique à l'analyse des médias sociaux, et ils resteront probablement un outil clé dans le random de l'IA pour les années à venir.