Resumen: Introducimos la argumentación de resumen gradual para el razonamiento basado en casos (AA-CBR gradual), un modelo de clasificación neurosimbólica basado en datos en el que el resultado se determina mediante una estructura de debate de argumentación que se aprende simultáneamente con los extractores de características basados en neuronos. Cada argumento en el debate es un caso observado de los datos de capacitación, favoreciendo su etiquetado. Los casos atacan o apoyan a aquellos con labelajes opuestos o de acuerdo, con la fuerza de cada argumento y relación aprendida a través de métodos basados en gradientes. Esta estructura de debate de argumentación proporciona un razonamiento alineado por los humanos, mejorando la interpretabilidad del modelo en comparación con las redes neuronales tradicionales (NNS). A diferencia de la variante puramente simbólica existente, la argumentación abstracta para el razonamiento basado en casos (AA-CBR), AA-CBR gradual es capaz de clasificación de clase múltiple, aprendizaje automático de características e importancia de puntos de datos, asignando valores de incertidumbre a los resultados, utilizando todos los puntos de datos disponibles, y no requiere características binarias. Mostramos que AA-CBR gradual se desempeña comparablemente con NNS al tiempo que supera significativamente las formulaciones AA-CBR existentes.
Publicado Originalme en rss.arxiv.org El 21 de mayo de 2025.
Ver Fuente Original
