一个论证框架是人工智能和知识表示中使用的一种形式化结构，用于对论证及其之间的冲突进行建模。它为分析一组论证何时可以被集体接受（即使它们相互矛盾）提供了数学基础。该框架抽象掉了单个论证的内部内容，转而关注它们之间存在的二元攻击关系。这种抽象使得对可废止推理模式的研究成为可能，即结论在面对新的反论证时可以被撤回，这是人类常识推理的一个关键特征。
该框架由Phan Minh Dung于1995年提出，已成为计算论证领域的基石。它被广泛应用于各种场景，从法律推理和多智能体系统到自然语言处理和决策支持。其核心思想很简单：给定一组论证和一个指示哪些论证攻击哪些论证的关系，可以定义各种语义来指定哪些论证被认为是可接受的。这些语义基于可接受性的概念，即如果一个论证集合能够抵御所有攻击，则该集合是可接受的。
形式化定义
形式上，一个论证框架是一个二元组⟨A, R⟩，其中A是一个有限的论证集合，R是A上的一个二元关系，即R ⊆ A × A。对于两个论证a和b，记号(a, b) ∈ R（或a R b）表示论证a攻击论证b。该框架通常被表示为一个有向图，其中节点是论证，边表示攻击。这种基于图的表示是该框架吸引力的核心，因为它允许应用图论算法来计算可接受性。
集合S ⊆ A被称为无冲突的，如果S中不存在论证a和b使得a攻击b。论证a ∈ A相对于S是可接受的，如果对于每个攻击a的论证b，都存在S中的一个论证c攻击b。在这种情况下，c被称为针对b为a辩护。一个无冲突的集合S是可接受的，如果S中的每个论证都相对于S是可接受的。这些定义构成了各种基于扩展的语义的基础。
基于扩展的语义
Dung的原始论文定义了几种产生可接受论证集合（称为扩展）的语义。最基本的是完全语义。一个可接受的集合S是一个完全扩展，如果它包含所有相对于S可接受的论证。完全扩展总是存在，但可能有多个。接地语义选择最小的完全扩展（相对于集合包含关系），该扩展是唯一的。它通过从空集开始，迭代添加所有可接受的论证，直到达到不动点来计算。接地扩展代表了最怀疑的立场，只包含那些即使考虑所有可能的辩护也未被击败的论证。
优先语义选择最大的（相对于集合包含关系）可接受集合。这些扩展代表了更轻信的立场，因为它们在保持可接受性的同时尽可能多地包含论证。稳定语义是另一个重要的语义，它要求一个无冲突的集合S攻击所有不在S中的论证。稳定扩展是优先扩展，但并非所有优先扩展都是稳定的。理想语义是后来引入的，它在接地和优先之间提供了中间地带，选择包含在所有优先扩展中的最大可接受集合。
抽象与结构化论证
上述框架是抽象的，因为它不考虑论证的内部结构。相比之下，结构化论证方法（如ASPIC+和可废止逻辑编程（DeLP））使用推理规则从知识库中构建论证，然后从这些论证中推导出一个抽象框架。这允许对知识进行更细粒度的表示，但代价是增加了计算复杂性。抽象框架仍然是一个有用的高层分析工具，许多关于抽象框架的结果可以转移到结构化设置中。
计算性质
在各种语义下计算扩展已被广泛研究。对于有限框架，接地扩展可以在多项式时间内计算，因为它涉及一个简单的迭代过程。然而，确定给定论证是否至少在一个优先扩展中（轻信接受）是NP完全的，而确定它是否在所有优先扩展中（怀疑接受）是co-NP完全的。稳定语义同样复杂，稳定扩展的存在性是NP完全的。这些复杂性结果推动了算法和求解器的发展，通常基于对命题可满足性（SAT）或回答集编程（ASP）的归约。自2015年以来，国际计算论证模型竞赛（ICCMA）一直用于对这些求解器进行基准测试。
在人工智能中的应用
论证框架已在Artificial intelligence的许多领域找到应用。在法律推理中，它们帮助对案件的利弊进行建模，其中法规和先例相互攻击。在多智能体系统中，智能体可以使用论证进行协商或达成共识，每个智能体提出攻击其他智能体论证的论证。在Machine learning中，论证已被用于可解释人工智能，其中模型预测背后的推理被表示为论证框架，允许用户查询和质疑决策。例如，分类器的输出可以通过一组支持论证来证明其合理性，而反论证可以作为攻击呈现。
在自然语言处理中，论证框架被用于论证挖掘，即从文本中提取论证及其关系的任务。然后可以使用框架的语义分析提取的结构，以确定一个立场的整体强度。这在辩论分析、假新闻检测和观点摘要中有应用。该框架处理冲突信息的能力使其特别适合这些任务，因为在这些任务中来源经常不一致。
与其他形式体系的关系
论证框架与其他非单调形式体系密切相关，如默认逻辑和带否定为失败的逻辑编程。事实上，Dung表明逻辑编程可以被解释为论证的一个特例，其中每个规则对应一个论证，攻击源于冲突的结论。这种联系导致了思想的富有成效的交流，算法和语义在两个领域之间被转移。该框架还与博弈论相关，因为论证的可接受性可以用双人对话游戏中获胜策略的存在来表征，其中一个玩家提出论证，另一个玩家攻击它。
扩展与变体
自其引入以来，已经提出了许多对基本框架的扩展。双极论证框架添加了第二个支持关系，允许论证相互加强。加权论证框架为攻击分配权重，表示冲突的相对强度。基于价值的论证框架纳入了论证所促进的价值，允许更细致的比较。概率论证框架为论证或攻击分配概率，使得在不确定性下进行推理成为可能。这些变体增加了框架的表达能力，但也使语义和计算复杂化。
该框架也已与其他人工智能技术集成。例如，在Deep learning中，论证已被用于组合多个Neural network模型的输出，其中每个模型的预测是一个论证，分歧是攻击。这种集成方法可以提高鲁棒性，并提供一种冲突解决机制。在Large language model的背景下，论证框架可用于构建模型的推理结构，使其输出更加透明和可验证，尽管这仍是一个活跃的研究领域。
当前研究方向
当代论证框架的研究集中在几个方面。一是开发大规模框架的高效算法，利用并行计算和启发式方法。另一个是与Generative AI的集成，其中论证可以作为生成连贯且可辩护文本的推理层。研究人员还在探索动态论证，其中框架随着新论证的添加或移除而随时间变化，需要对扩展进行增量更新。论证在可解释人工智能中的使用是一个不断增长的领域，其目标是为自动化决策提供人类可理解的解释。
该框架的简单性和强大性使其成为知识表示领域的持久贡献。它建模常识推理的能力，其中结论是暂定的且可修订的，在人工智能系统部署于复杂现实环境中的今天仍然高度相关。截至2020年代初，论证框架仍然是一个充满活力的研究领域，应用范围从法律科技到社交媒体分析，并且它们很可能在未来几年内仍然是人工智能工具箱中的关键工具。