Graph Neural Networks verbessern Argumentationsanalyse
In einer wegweisenden Veröffentlichung präsentiert ein internationales Forschungsteam die ersten Graph Neural Network (GNN)-Modelle, die die Berechnung von Argumentationserweiterungen im Rahmen der Assumption-Based Argumentation (ABA) effizienter machen. Durch die Darstellung von ABA-Frameworks als heterogene Abhängigkeitsgraphen – wobei Annahmen, Behauptungen und Regeln als Knoten und Unterstützungs-, Ableitungs- sowie Angriffsbeziehungen als unterschiedliche Kantentypen kodiert werden – ermöglichen die neuen Architekturen ABAGCN und ABAGAT eine gezielte Lernphase.
