議論フレームワークは、人工知能と知識表現において、議論とそれらの間の対立をモデル化するために使用される形式的構造である。これは、たとえ互いに矛盾する場合でも、一連の議論がいつ集合的に受け入れられるかを分析するための数学的基盤を提供する。このフレームワークは、個々の議論の内部内容を抽象化し、それらの間に存在する二項攻撃関係に焦点を当てる。この抽象化により、結論が新たな反論に直面したときに撤回され得るという、人間の常識的推論の重要な特徴である、撤回可能な推論パターンの研究が可能になる。
1995年にファン・ミン・ダンによって導入されたこのフレームワークは、計算論的議論の基礎となっている。これは、法的推論やマルチエージェントシステムから、自然言語処理や意思決定支援に至るまで、多様な応用で使用されている。核となる考え方は単純である。議論の集合と、どの議論がどの議論を攻撃するかを示す関係が与えられれば、どの議論が受け入れ可能と見なされるかを指定する様々な意味論を定義できる。これらの意味論は、許容性の概念に基づいており、議論の集合がすべての攻撃に対して自己防衛できる場合に受け入れ可能とされる。
形式的定義
形式的には、議論フレームワークはペア⟨A, R⟩であり、ここでAは有限の議論の集合、RはA上の二項関係、すなわちR ⊆ A × Aである。2つの議論aとbについて、表記(a, b) ∈ R（またはa R b）は、議論aが議論bを攻撃することを意味する。このフレームワークはしばしば有向グラフとして表現され、ノードは議論を、エッジは攻撃を表す。このグラフベースの表現は、フレームワークの魅力の中心であり、グラフ理論のアルゴリズムを適用して受け入れ可能性を計算できるようにする。
集合S ⊆ Aは、S内にaがbを攻撃するような議論aとbが存在しない場合、無矛盾であると言われる。議論a ∈ Aは、aを攻撃するすべての議論bに対して、S内にbを攻撃する議論cが存在する場合、Sに関して受け入れ可能であると言われる。この場合、cはaをbに対して防御すると言われる。無矛盾な集合Sは、S内のすべての議論がSに関して受け入れ可能である場合、許容可能であると言われる。これらの定義は、様々な拡張ベースの意味論の基礎を形成する。
拡張ベースの意味論
ダンの元の論文は、受け入れ可能な議論の集合（拡張と呼ばれる）を生成するいくつかの意味論を定義した。最も基本的なのは完全意味論である。許容可能な集合Sは、Sに関して受け入れ可能なすべての議論を含む場合、完全拡張である。完全拡張は常に存在するが、複数存在することがある。基底的意味論は、最小の完全拡張（集合の包含に関して）を選択し、これは一意である。これは空集合から始めて、受け入れ可能なすべての議論を固定点に達するまで反復的に追加することで計算される。基底的拡張は最も懐疑的な立場を表し、すべての可能な防御を考慮しても敗北しない議論のみを含む。
優先的意味論は、最大の（集合の包含に関して）許容可能な集合を選択する。これらの拡張は、許容性を維持しながら可能な限り多くの議論を含むため、より軽信的な立場を表す。もう1つの重要な安定意味論は、無矛盾な集合SがSにないすべての議論を攻撃することを要求する。安定拡張は優先的拡張であるが、すべての優先的拡張が安定であるわけではない。後に導入された理想的意味論は、基底的と優先的の中間を提供し、すべての優先的拡張に含まれる最大の許容可能な集合を選択する。
抽象的および構造化された議論
上記のフレームワークは、議論の内部構造を考慮しないため抽象的である。対照的に、ASPIC+や撤回可能論理プログラミング（DeLP）などの構造化された議論アプローチは、推論規則を使用して知識ベースから議論を構築し、それらの議論から抽象的なフレームワークを導出する。これにより、知識のより詳細な表現が可能になるが、計算複雑性が増加するコストがかかる。抽象的なフレームワークは高レベルの分析ツールとして有用であり、抽象的なフレームワークに関する多くの結果は構造化された設定に転送できる。
計算特性
様々な意味論の下での拡張の計算は広く研究されている。有限フレームワークの場合、基底的拡張は単純な反復プロセスを含むため多項式時間で計算できる。しかし、与えられた議論が少なくとも1つの優先的拡張に含まれるかどうかを判断すること（軽信的な受け入れ）はNP完全であり、すべての優先的拡張に含まれるかどうかを判断すること（懐疑的な受け入れ）はco-NP完全である。安定意味論も同様に複雑であり、安定拡張の存在はNP完全である。これらの複雑性の結果は、命題充足可能性（SAT）や解集合プログラミング（ASP）への還元に基づくアルゴリズムとソルバーの開発を動機付けてきた。計算論的議論モデルの国際競技会（ICCMA）は、2015年からそのようなソルバーをベンチマークするために開催されている。
AIにおける応用
議論フレームワークは、Artificial intelligenceの多くの分野で応用が見つかっている。法的推論では、法令や判例が互いに攻撃するケースの賛否をモデル化するのに役立つ。マルチエージェントシステムでは、エージェントが交渉や合意形成に議論を使用でき、各エージェントが他者の議論を攻撃する議論を提案する。Machine learningでは、議論は説明可能なAIに使用されており、モデルの予測の背後にある推論が議論フレームワークとして表現され、ユーザーが決定を照会し挑戦できるようにする。例えば、分類器の出力は一連の支持する議論によって正当化でき、反論は攻撃として提示できる。
自然言語処理では、議論フレームワークは議論マイニングに使用される。これはテキストから議論とその関係を抽出するタスクである。抽出された構造は、フレームワークの意味論を使用して分析し、立場の全体的な強さを判断できる。これは、討論分析、偽ニュース検出、意見要約に応用がある。フレームワークが矛盾する情報を処理する能力は、情報源がしばしば対立するこれらのタスクに特に適している。
他の形式主義との関係
議論フレームワークは、デフォルト論理や否定作為失敗を伴う論理プログラミングなど、他の非単調形式主義と密接に関連している。実際、ダンは論理プログラミングが議論の特別な場合として解釈できることを示した。各規則は議論に対応し、攻撃は矛盾する結論から生じる。この接続は、アルゴリズムと意味論が分野間で転送される実りあるアイデアの交換につながった。フレームワークはゲーム理論にも関連しており、議論の受け入れ可能性は、一方のプレイヤーが議論を提案し、他方がそれを攻撃する2人対話ゲームにおける勝利戦略の存在によって特徴付けることができる。
拡張と変種
その導入以来、基本フレームワークに対する多くの拡張が提案されている。二極議論フレームワークは、議論が互いを強化できるようにするサポートのための2番目の関係を追加する。重み付き議論フレームワークは、攻撃に重みを割り当て、対立の相対的な強さを表す。価値ベースの議論フレームワークは、議論が促進する価値を組み込み、より微妙な比較を可能にする。確率的議論フレームワークは、議論または攻撃に確率を割り当て、不確実性の下での推論を可能にする。これらの変種はフレームワークの表現力を高めるが、意味論と計算も複雑にする。
フレームワークは他のAI技術とも統合されている。例えば、Deep learningでは、議論は複数のNeural networkモデルの出力を組み合わせるために使用されており、各モデルの予測は議論であり、不一致は攻撃である。このアンサンブルアプローチは、堅牢性を向上させ、紛争解決のメカニズムを提供できる。Large language modelの文脈では、議論フレームワークはモデルの推論を構造化するために使用でき、その出力をより透明で検証可能にするが、これはまだ活発な研究分野である。
現在の研究動向
議論フレームワークの現代の研究は、いくつかの面に焦点を当てている。1つは、並列計算とヒューリスティックを活用した大規模フレームワークのための効率的なアルゴリズムの開発である。もう1つはGenerative AIとの統合であり、議論は一貫性があり防御可能なテキストを生成するための推論層として機能できる。研究者はまた、新しい議論が追加または削除されるにつれてフレームワークが時間とともに変化し、拡張への増分更新を必要とする動的議論を探求している。説明可能なAIでの議論の使用は成長している分野であり、自動化された決定に対する人間が理解できる正当化を提供することを目指している。
フレームワークの単純さと力は、知識表現の分野への永続的な貢献となっている。結論が暫定的で修正の対象となる常識的推論をモデル化するその能力は、AIシステムが複雑な実世界環境に展開されるにつれて、依然として非常に関連性が高い。2020年代初頭の時点で、議論フレームワークは引き続き活発な研究分野であり、法的技術からソーシャルメディア分析までの応用があり、今後何年にもわたってAIツールボックスの重要なツールであり続ける可能性が高い。