논증 프레임워크(argumentation framework)는 인공지능과 지식 표현에서 논증과 논증 간의 충돌을 모델링하는 데 사용되는 형식적 구조이다. 이는 일련의 논증들이 서로 모순되더라도 언제 집합적으로 수용될 수 있는지를 분석하기 위한 수학적 기반을 제공한다. 이 프레임워크는 개별 논증의 내부 내용을 추상화하고, 논증들 사이에 존재하는 이진 공격 관계에 초점을 맞춘다. 이러한 추상화는 귀납적 추론, 즉 새로운 반론이 제시될 때 결론이 철회될 수 있는 추론 패턴의 연구를 가능하게 하며, 이는 인간의 상식적 추론의 핵심 특징이다.
1995년 Phan Minh Dung에 의해 도입된 이 프레임워크는 계산적 논증(computational argumentation)의 초석이 되었다. 이는 법적 추론, 다중 에이전트 시스템에서 자연어 처리 및 의사 결정 지원에 이르기까지 다양한 응용 분야에서 사용된다. 핵심 아이디어는 단순하다. 논증 집합과 어떤 논증이 어떤 논증을 공격하는지를 나타내는 관계가 주어지면, 어떤 논증이 수용 가능한 것으로 간주되는지를 지정하는 다양한 의미론(semantics)을 정의할 수 있다. 이러한 의미론은 허용 가능성(admissibility)의 개념에 기반하며, 여기서 논증 집합은 모든 공격에 대해 스스로 방어할 수 있다면 수용 가능하다.
형식적 정의
형식적으로, 논증 프레임워크는 쌍 ⟨A, R⟩으로 구성되며, 여기서 A는 유한한 논증 집합이고 R은 A에 대한 이진 관계, 즉 R ⊆ A × A이다. 두 논증 a와 b에 대해, 표기 (a, b) ∈ R (또는 a R b)는 논증 a가 논증 b를 공격한다는 것을 의미한다. 이 프레임워크는 종종 방향 그래프로 표현되며, 여기서 노드는 논증이고 간선은 공격을 나타낸다. 이러한 그래프 기반 표현은 프레임워크의 매력의 핵심으로, 그래프 이론 알고리즘을 적용하여 수용 가능성을 계산할 수 있게 한다.
집합 S ⊆ A는 S에 있는 논증 a와 b에 대해 a가 b를 공격하는 경우가 없을 때 충돌이 없다(conflict-free)고 한다. 논증 a ∈ A는 S에 대해 수용 가능하다고 하는데, 이는 a를 공격하는 모든 논증 b에 대해 S에 있는 논증 c가 b를 공격하는 경우이다. 이 경우 c는 a를 b로부터 방어한다고 한다. 충돌이 없는 집합 S는 S에 있는 모든 논증이 S에 대해 수용 가능할 때 허용 가능하다(admissible)고 한다. 이러한 정의는 다양한 확장 기반 의미론의 기초를 형성한다.
확장 기반 의미론
Dung의 원래 논문은 확장(extension)이라고 불리는 수용 가능한 논증 집합을 생성하는 여러 의미론을 정의했다. 가장 기본적인 것은 완전 의미론(complete semantics)이다. 허용 가능한 집합 S는 S에 대해 수용 가능한 모든 논증을 포함할 때 완전 확장(complete extension)이다. 완전 확장은 항상 존재하지만 여러 개일 수 있다. 근거 의미론(grounded semantics)은 (집합 포함에 대해) 최소 완전 확장을 선택하며, 이는 유일하다. 이는 빈 집합에서 시작하여 고정점에 도달할 때까지 모든 수용 가능한 논증을 반복적으로 추가함으로써 계산된다. 근거 확장은 가장 회의적인 입장을 나타내며, 가능한 모든 방어를 고려하더라도 패배하지 않는 논증만을 포함한다.
선호 의미론(preferred semantics)은 (집합 포함에 대해) 최대 허용 가능한 집합을 선택한다. 이러한 확장은 허용 가능성을 유지하면서 가능한 한 많은 논증을 포함하므로 더 경솔한(credulous) 입장을 나타낸다. 또 다른 중요한 의미론인 안정 의미론(stable semantics)은 충돌이 없는 집합 S가 S에 속하지 않는 모든 논증을 공격할 것을 요구한다. 안정 확장은 선호 확장이지만 모든 선호 확장이 안정적인 것은 아니다. 나중에 도입된 이상 의미론(ideal semantics)은 근거와 선호 사이의 중간 지점을 제공하며, 모든 선호 확장에 포함되는 최대 허용 가능한 집합을 선택한다.
추상 및 구조화 논증
위에서 설명한 프레임워크는 논증의 내부 구조를 고려하지 않기 때문에 추상적이다. 대조적으로, ASPIC+ 및 귀납적 논리 프로그래밍(Defeasible Logic Programming, DeLP)과 같은 구조화 논증 접근법은 추론 규칙을 사용하여 지식 베이스에서 논증을 구축한 다음 해당 논증에서 추상 프레임워크를 도출한다. 이는 지식의 더 세밀한 표현을 가능하게 하지만 계산 복잡성이 증가하는 대가를 치른다. 추상 프레임워크는 고수준 분석 도구로서 유용하게 남아 있으며, 추상 프레임워크에 대한 많은 결과는 구조화 설정으로 전이될 수 있다.
계산 속성
다양한 의미론 하에서 확장을 계산하는 것은 광범위하게 연구되었다. 유한 프레임워크의 경우, 근거 확장은 단순한 반복 과정을 포함하므로 다항 시간에 계산할 수 있다. 그러나 주어진 논증이 적어도 하나의 선호 확장에 있는지 여부를 결정하는 것(경솔한 수용)은 NP-완전이며, 모든 선호 확장에 있는지 여부를 결정하는 것(회의적 수용)은 co-NP-완전이다. 안정 의미론도 유사하게 복잡하며, 안정 확장의 존재는 NP-완전이다. 이러한 복잡성 결과는 종종 명제 만족 가능성(SAT) 또는 답 집합 프로그래밍(ASP)으로의 축소에 기반한 알고리즘과 솔버의 개발을 촉진했다. 국제 계산 모델 논증 대회(ICCMA)는 2015년부터 이러한 솔버를 벤치마킹하기 위해 개최되었다.
AI에서의 응용
논증 프레임워크는 Artificial intelligence의 많은 영역에서 응용을 찾았다. 법적 추론에서 이는 법령과 선례가 서로를 공격하는 사건의 찬성과 반대를 모델링하는 데 도움을 준다. 다중 에이전트 시스템에서 에이전트는 논증을 사용하여 협상하거나 합의에 도달할 수 있으며, 각 에이전트는 다른 에이전트의 논증을 공격하는 논증을 제안한다. Machine learning에서 논증은 설명 가능한 AI에 사용되었으며, 여기서 모델 예측의 배후 추론이 논증 프레임워크로 표현되어 사용자가 결정을 질의하고 이의를 제기할 수 있다. 예를 들어, 분류기의 출력은 일련의 지지 논증으로 정당화될 수 있고, 반론은 공격으로 제시될 수 있다.
자연어 처리에서 논증 프레임워크는 텍스트에서 논증과 그 관계를 추출하는 작업인 논증 마이닝(argument mining)에 사용된다. 추출된 구조는 프레임워크의 의미론을 사용하여 분석되어 입장의 전반적인 강도를 결정할 수 있다. 이는 토론 분석, 가짜 뉴스 탐지, 의견 요약에 응용된다. 프레임워크가 상충되는 정보를 처리하는 능력은 출처가 종종 의견이 다른 이러한 작업에 특히 적합하다.
다른 형식주의와의 관계
논증 프레임워크는 기본 논리(default logic) 및 부정 실패가 있는 논리 프로그래밍과 같은 다른 비단조 형식주의와 밀접하게 관련되어 있다. 실제로 Dung은 논리 프로그래밍이 논증의 특수한 경우로 해석될 수 있음을 보여주었으며, 여기서 각 규칙은 논증에 해당하고 공격은 상충되는 결론에서 발생한다. 이러한 연결은 알고리즘과 의미론이 두 분야 간에 전이되면서 유익한 아이디어 교환으로 이어졌다. 이 프레임워크는 게임 이론과도 관련이 있는데, 논증의 수용 가능성은 한 플레이어가 논증을 제안하고 다른 플레이어가 이를 공격하는 2인 대화 게임에서 승리 전략의 존재로 특징지어질 수 있기 때문이다.
확장 및 변형
도입 이후 기본 프레임워크에 대한 많은 확장이 제안되었다. 양극 논증 프레임워크(bipolar argumentation frameworks)는 논증이 서로를 강화할 수 있도록 지지 관계를 추가한다. 가중 논증 프레임워크(weighted argumentation frameworks)는 공격에 가중치를 할당하여 충돌의 상대적 강도를 나타낸다. 가치 기반 논증 프레임워크(value-based argumentation frameworks)는 논증이 촉진하는 가치를 통합하여 더 미묘한 비교를 가능하게 한다. 확률적 논증 프레임워크(probabilistic argumentation frameworks)는 논증이나 공격에 확률을 할당하여 불확실성 하에서 추론을 가능하게 한다. 이러한 변형은 프레임워크의 표현력을 증가시키지만 의미론과 계산을 복잡하게 만든다.
이 프레임워크는 다른 AI 기술과도 통합되었다. 예를 들어, Deep learning에서 논증은 여러 Neural network 모델의 출력을 결합하는 데 사용되었으며, 여기서 각 모델의 예측은 논증이고 불일치는 공격이다. 이러한 앙상블 접근 방식은 견고성을 향상시키고 충돌 해결 메커니즘을 제공할 수 있다. Large language model의 맥락에서 논증 프레임워크는 모델의 추론을 구조화하여 출력을 더 투명하고 검증 가능하게 만드는 데 사용될 수 있지만, 이는 여전히 활발한 연구 영역이다.
현재 연구 방향
논증 프레임워크에 대한 현대 연구는 여러 전선에 초점을 맞추고 있다. 하나는 병렬 컴퓨팅과 휴리스틱을 활용한 대규모 프레임워크를 위한 효율적인 알고리즘 개발이다. 또 다른 하나는 Generative AI와의 통합으로, 논증이 일관되고 방어 가능한 텍스트를 생성하기 위한 추론 계층 역할을 할 수 있다. 연구자들은 또한 새로운 논증이 추가되거나 제거됨에 따라 프레임워크가 시간이 지남에 따라 변경되어 확장에 대한 증분 업데이트가 필요한 동적 논증(dynamic argumentation)을 탐구하고 있다. 설명 가능한 AI에서 논증의 사용은 자동화된 결정에 대한 인간이 이해할 수 있는 정당성을 제공하는 것을 목표로 하는 성장하는 분야이다.
프레임워크의 단순성과 강력함은 지식 표현 분야에 지속적인 기여를 했다. 결론이 잠정적이고 수정될 수 있는 상식적 추론을 모델링하는 능력은 AI 시스템이 복잡한 실제 환경에 배포됨에 따라 여전히 매우 관련성이 높다. 2020년대 초반 현재, 논증 프레임워크는 법률 기술에서 소셜 미디어 분석에 이르는 응용 분야와 함께 활기찬 연구 영역으로 남아 있으며, 앞으로도 수년간 AI 도구 상자에서 핵심 도구로 남을 가능성이 높다.