🤖 AI

Splitting Assumption-Based Argumentation Frameworks

تتناول هذه الورقة عدم القابلية للحساب في "المجادلة القائمة على الافتراض" (Assumption-Based Argumentation) من خلال تقديم وتعميم تقنية تقسيم تعمل مباشرة على قاعدة المعرفة بدلاً من تمثيلها الرسومي، مما يتجنب النمو الأسي مع تمكين الاستدلال الفعال القائم على مبدأ "فرق تسد".

المؤلفون الأصليون: Giovanni Buraglio, Wolfgang Dvorak, Stefan Woltran

نُشر 2026-05-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Giovanni Buraglio, Wolfgang Dvorak, Stefan Woltran

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل عقدة ضخمة ومتشابكة من الألغاز المنطقية. في عالم الذكاء الاصطناعي، يُطلق على هذا اسم الاستدلال القائم على الافتراض (Assumption-Based Argumentation - ABA). وهي طريقة تتيح للحواسيب المناظرة، والاستنتاج، واتخاذ القرار بشأن ما يجب تصديقه عندما تكون المعلومات متضاربة أو غير مؤكدة.

المشكلة؟ يمكن لهذه العقد أن تصبح ضخمة ومعقدة للغاية لدرجة أن أسرع الحواسيب قد تتعثر في محاولة فك تشابكها بالكامل دفعة واحدة. وهذه هي مشكلة "التعقيد الحسابي" التي يعالجها المؤلفون.

إليك كيف يقترح البحث حل هذه المشكلة، باستخدام تشبيهات بسيطة:

الطريقة القديمة: بناء خريطة عملاقة

عادةً، لحل مشكلة ABA، تقوم الحواسيب أولاً بترجمة القواعد المنطقية إلى "خريطة حجاجية" ضخمة (وتحديداً رسم بياني حيث تمثل النقاط الحجج والخطوط تمثل الهجمات).

التشبيه: تخيل أن لديك كتاب وصفات (قاعدة المعرفة). لمعرفة الطبق النهائي، تحاول رسم مخطط انسيابي ضخم يوضح كل مكون، وكل خطوة، وكل خطأ محتمل.
المشكلة: إذا كان كتاب الوصفات كبيراً، فإن المخطط الانسيابي سيصبح ضخماً بشكل أسّي. الأمر يشبه محاولة رسم خريطة لكل حبة رمل على الشاطئ لمجرد العثور على صدفة واحدة. ويشير البحث إلى أن خطوة "التمثيل" (instantiation) هذه غالباً ما تكون مكلفة جداً وتنشئ خريطة ضخمة لدرجة أنها تعيق الغرض من محاولة حل المشكلة.

الاستراتيجية الجديدة: "تقسيم" المشكلة

يقدم المؤلفون تقنية تسمى التقسيم (Splitting). فكر في هذا ليس كرسم خريطة ضخمة، بل كتوظيف فريق من المتخصصين لحل المشكلة في أجزاء أصغر يمكن التحكم فيها.

1. المطبخ "من الأسفل إلى الأعلى" (التقسيم القياسي)

تخيل مطبخاً يحتوي على منصة سفلية (حيث يتم تحضير المكونات الأساسية) ومنصة علوية (حيث يتم طهي الوجبة النهائية).

القاعدة: لا يمكنك نقل طبق من المنصة السفلية إلى المنصة العلوية إلا إذا كانت المنصة العلوية لا تحتاج إلى إرسال تعليمات للأسفل لتغيير عملية التحضير.
العملية:
1. التقسيم: ينظر الكمبيوتر إلى كتاب الوصفات ويجد نقطة فصل طبيعية. يفصل "القواعد السفلية" (الحقائق المستقلة) عن "القواعد العلوية" (الاستنتاجات التابعة).
2. حل الجزء السفلي: يقوم الكمبيوتر بحل المنصة السفلية أولاً. يحدد أي المكونات آمنة للاستخدام.
3. تعديل الجزء العلوي: يأخذ النتائج من المنصة السفلية ويقوم بـ "تعديل" المنصة العلوية. إذا قررت المنصة السفلية أن "المكون X سيء"، فإن المنصة العلوية تحذف أي وصفة تحتاج إلى المكون X.
4. حل الجزء العلوي: الآن، أصبحت المنصة العلوية أصغر وأسهل في الحل لأنها تتعامل فقط مع المكونات الصالحة المتبقية.
5. الدمج: الإجابة النهائية هي مجرد دمج حل المنصة السفلية وحل المنصة العلوية.

هذا يعمل بشكل رائع إذا كان المطبخ منفصلاً تماماً. ولكن ماذا لو احتاجت المنصة العلوية إلى إرسال رسالة إلى المنصة السفلية؟

2. المطبخ "المُعامل" (التعامل مع الأجزاء الفوضوية)

أحياناً، لا تكون القواعد منفصلة تماماً. ربما تقول قاعدة علوية: "إذا استخدمت الملح، فلا يمكنك استخدام السكر"، لكن السكر يتم تحضيره في المنصة السفلية. هذا يخلق حلقة تجعل التقسيم البسيط يتوقف.

يقدم المؤلفون التقسيم المُعامل (Parametrised Splitting).

التشبيه: تخيل أن المنصة العلوية ترسل ملاحظة "ربما" إلى المنصة السفلية: "قد أحتاج إلى الملح، لكني لست متأكداً بعد".
الحل: ينشئ الكمبيوتر نسخة "وهمية" من المنصة السفلية. يسأل: "ماذا لو استخدمنا الملح فعلاً؟ ماذا لو لم نستخدمه؟" ثم يقوم بتشغيل محاكاتين صغيرتين.
النتيجة: يحل المشكلة لكلا السيناريوهين، ثم يربط السيناريو الصحيح بينهما. هذا يسمح لهم بتقسيم المشكلة حتى عندما تكون القواعد متشابكة قليلاً، دون الحاجة لرسم الخريطة الضخمة بأكملها أولاً.

لماذا هذا مهم (وفقاً للبحث)

يدعي البحث تحقيق انتصارين رئيسيين:

الحل المباشر: لقد اكتشفوا كيفية تقسيم كتاب الوصفات (قاعدة المعرفة) مباشرة، دون الحاجة لرسم المخطط الانسيابي الضخم والفوضوي أولاً. وهذا يوفر كمية هائلة من ذاكرة الكمبيوتر والوقت.
التعميم: أثبتوا أن طريقة "فرق تسد" هذه تعمل مع جميع الطرق القياسية التي تحكم بها الحواسيب الحجج (مثل إيجاد الحل "الأكثر استقراراً" أو "الأكثر تفضيلاً").

الخلاصة

بدلاً من محاولة فك عقدة منطقية ضخمة دفعة واحدة (وهو أمر بطيء وصعب)، يعلم هذا البحث الكمبيوتر كيف:

يجد مكاناً لقطع العقدة إلى قطعتين أصغر.
يحل القطعة الأولى.
يعدل القطعة الثانية بناءً على الأولى.
يحل القطعة الثانية.
يدمج الإجابات معاً.

من خلال القيام بذلك، يمكنهم حل مشكلات الاستدلال المعقدة بسرعة أكبر بكثير، حتى لو كانت المشكلة الأصلية أكبر مما يمكن التعامل معه في خطوة واحدة. كما أظهروا كيفية التعامل مع الأجزاء "الفوضوية" حيث لا تكون القطع مستقلة تماماً، مما يضمن عمل الطريقة في أي سيناريو تقريباً.

ملخص تقني: تقسيم أطر الحجاج القائم على الافتراضات

1. بيان المشكلة

الحجاج القائم على الافتراضات (ABA) هو صياغة بارزة لنمذجة المناظرات التي تنطوي على معلومات متضاربة أو غير مؤكدة. ومع ذلك، تعاني مهام الاستدلال الأساسية في ABA من تعقيد حسابي عالٍ. وتتمثل إحدى الاستراتيجيات الشائعة للتخفيف من ذلك في التجسيد (instantiation)، حيث يتم تحويل إطار عمل ABA (المسمى ABAF) إلى إطار حجاجي قائم على الرسوم البيانية (مثل Dung's AF أو SETAFs) لتطبيق أدوات الحل القائمة على الرسوم البيانية الموجودة.

العقبة الحرجة هي أن عملية التجسيد هذه يمكن أن تؤدي إلى انفجار أسي (exponential explosion) في عدد الحجج والهجمات، خاصة عند استخدام أطر Dung's AFs. وحتى مع استخدام تمثيلات أكثر إيجازًا مثل أطر الحجاج ذات الهجمات الجماعية (SETAFs)، تظل خطوة التجسيد نفسها مكلفة حسابيًا.

لقد طُبقت استراتيجيات فرق تسد (divide-and-conquer)، وتحديدًا التقسيم (splitting)، بنجتم في أطر الحجاج (AFs) القائمة على الرسوم البيانية لحل مهام الاستدلال بشكل تدريجي عبر تفكيك الإطار إلى أطر فرعية. ومع ذلك، فإن تطبيق التقسيم مباشرة على ABAFs عبر التجسيد غالبًا ما يكون غير فعال أو غير صالح بسبب النمو الأسي للرسم البياني. ومن ناحه أخرى، تم إهمال تطبيق التقسيم مباشرة على قاعدة معرفة ABA لأن الاختلافات الهيكلية بين قواعد ABA القائمة على القواعد والرسوم البيانية لـ AF تجعل الترجمة المباشرة لنظريات التقسيم غير بديهية.

2. المنهجية

يقترح المؤلفون نهجًا شاملاً للتقسيم يعمل على مستويين: مستوى الرسم البياني (SETAFs) ومستوى قاعدة المعرفة (ABAFs).

أ. تقسيم SETAFs (مستوى الرسم البياني)

يقوم البحث أولاً بتعميم مفهوم التقسيم من Dung AFs القياسية إلى SETAFs (التي تسمح لمجموعات من الحجج بمهاجمة حجة واحدة).

تعريف التقسيم: يتم تقسيم SETAF إلى إطارين فرعيين ( $SF_1, SF_2$ ) يفصل بينهما مجموعة من "الروابط" ( $R_3$ ) التي تمثل هجمات من $SF_1$ إلى $SF_2$ .
الاختزال والتعديل: لحساب الامتدادات بشكل تدريجي:
1. الاختزال (Reduct): يتم تعديل $SF_2$ بناءً على امتداد $E_1$ لـ $SF_1$ . تُزال الحجج في $SF_2$ التي تهاجمها $E_1$ ، ويتم تصفية الهجمات التي تشمل حججًا مهزومة.
2. التعديل (Modification): للتعامل مع الروابط غير المحسومة (الهجمات التي لا يكون ذيلها مهزوماً ولكنها ليست مقبولة بالكامل)، يقدم الإطار هجمات ذاتية-مجموعة (set-self-attacks) في $SF_2$ المعدل. يضمن هذا أنه إذا ظلت حجة في $SF_1$ غير محسومة، فإنه لا يزال بإمكانها التأثير على حالة الحجج في $SF_2$ عبر الهجمات الذاتية.
النظرية: يثبت المؤلفون أن امتدادات الـ SETAF الأصلي يمكن إعادة بنائها عن طريق دمج امتدادات الأطر الفرعية المعدلة للنماذج القياسية (stable, admissible, complete, preferred, grounded).

ب. تقسيم ABAFs (مستوى قاعدة المعرفة)

لتجنب تكلفة التجسيد، يقدم البحث مخطط تقسيم مباشر لـ ABAFs بناءً على البنية النحوية للنظام الاستنتاجي.

مجموعات التقسيم: مجموعة الجمل $S$ هي مجموعة تقسيم إذا كانت تقسم القواعد بحيث لا تشتق أي قاعدة في الجزء "العلوي" نقيضًا لافتراض في الجزء "السفلي". يضمن هذا إمكانية تقييم الجزء السفلي ( $D_1$ ) بشكل مستقل.
الاختزال ( $D_2^E$ ): بالنظر إلى امتداد $E$ للإطار السفلي $D_1$ ، يتم اختزال الإطار العلوي $D_2$ عن طريق إزالة القواعد التي تتعارض أجسادها مع $E$ وتبسيط القواعد المتبقية.
التعديل ( $D_2^\star$ ): على غرار SETAFs، يتعامل المؤلفون مع الافتراضات غير المحسومة (تلك التي ليست في $E$ والتي لا يمكن اشتقاق نقيضها من $E$ ). يقدمون افتراضًا جديدًا $x_u$ وقاعدة حلقية $x_u \leftarrow x_u$ . يتم تعديل القواعد في $D_2$ التي تحتوي على جمل غير محسومة في أجسادها لتشمل $x_u$ . يؤدي هذا إلى نشر حالة "عدم الحسم" من $D_1$ إلى $D_2$ .
التقسيم المحدّد بالمعلمات (Parametrisation): إدراكًا بأن مجموعات التقسيم الصارمة نادرة في ABAFs المعقدة، يعمم المؤلفون مفهوم التقسيم شبه (quasi-splitting) (أو $k$ -splitting). يسمح هذا بعدد محدود من الافتراضات في الجزء السفلي أن تُهاجم من قبل الجزء العلوي. يتم التعامل مع هذا من خلال إدخال افتراضات "ضعف" وقواعد ميتا (meta-rules) لترميز الخيارات، مما يخفف القيود الهيكلية مع الحفاظ على الصحة تحت نماذج stable.

ج. التنفيذ الخوارزمي

يوضح البحث أن حساب مجموعات التقسيم لـ ABAFs يمكن اختزاله إلى إيجاد المكونات المتصلة بقوة (SCCs) في رسم بياني للتبعية (Dependency Graph).

تمثل عقد الرسم البياني للتبعية الجمل، وتمثل الحواف علاقات التبعية والقواعد المتناقضة.
من خلال ضغط الـ SCCs، يصبح الرسم البياني عبارة عن رسم بياني موجه لا دوري (DAG)، مما يسمح باستخدام خوارزميات موجودة ذات وقت خطي (مثل خوارزمية Tarjan) لإيجاد نقاط التقسيم المثلى.
يسمح هذا النهج بإعادة استخدام خوارزميات تقسيم الرسوم البيانية الموجودة لـ SETAFs و ABAFs دون الحاجة إلى التجسيد الكامل.

3. المساهمات الرئيسية

مخطط تقسيم SETAF: تعريف جديد للتقسيم لـ SETAFs يعمم تقسيم Dung's AF، ويتعامل مع الهجمات الجماعية والروابط غير المحسومة عبر الهجمات الذاتية-المجموعة.
التقسيم المباشر لـ ABA: مخطط تقسيم يعمل مباشرة على قواعد معرفة ABA، متجاوزًا الحاجة إلى التجسيد في رسوم بيانية للحجج. يتضمن هذا تعريف الاختزال و التعديل المصمم خصيصًا للطبيعة الاستنتاجية لـ ABA.
التقسيم المحدّد بالمعلمات لـ ABA: توسيع إلى التقسيم شبه (quasi-splitting) (مستوحى من Baumann et al. 2012) والذي يسمح بتداخلات محدودة بين الأطر الفرعية، مما يزيد بشكل كبير من قابلية تطبيق الطريقة على ABAFs الواقعية.
الضمانات النظرية: براهين رسمية (النظرية 2 و 3) تثبت صحة نهج التقسيم لـ نماذج stable, admissible, complete, preferred, و grounded.
الاختزال الخوارزمي: طريقة لحساب مجموعات التقسيم لـ ABAFs عن طريق اختزال المشكلة إلى تقسيم الرسوم البيانية في رسوم بيانية للتبعية، مما يتيح التنفيذ الفعال باستخدام الأدوات الموجودة.

4. النتائج

الصحة: يثبت البحث أن الحساب التدريجي للامتدادات عبر التقسيم يعطي نفس نتائج الحساب على الإطار الكامل.
الكفاءة: تتضمن عملية التقسيم فقط تعديلات نحوية (إضافة قاعدة واحدة وافتراض واحد على الأكثر لكل إطار فرعي في الحالة القياسية، أو بحد أقصى $2k$ لـ $k$ -splitting). وهذا يتجنب التضخم الأسي المرتبط بالتجسيد الكامل.
القابلية للتطبيق: يعمل النهج لكل من النهج المباشر (الاستدلال على ABAF مباشرة) و النهج غير المباشر (الاستدلال على SETAF المجسد).
إمكانات القابلية للتوسع: من خلال تمكين الاستدلال القائم على "فرق تسد"، يعد المنهج بحل حالات ABA الكبيرة التي تعتبر حاليًا مستعصية بسبب حجم رسومها البيانية المجسدة.

5. الأهمية

يسد هذا العمل فجوة حرجة بين الكفاءة النظرية لاستراتيجيات "فرق تسد" والتطبيق العملي للحجاج القائم على الافتراضات.

التغلب على تكاليف التجسيد: يوفر بديلاً قابلاً للتطبيق لنموذج "التجسيد أولاً"، والذي غالبًا ما يكون العقبة الأساسية في أدوات حل ABA.
التعميم: من خلال تعميم التقسيم على SETAFs ثم إلى ABAFs، يوحد البحث استراتيجيات الاستدلال عبر مختلف أطر الحجاج.
التطبيقات المستقبلية: يسلط المؤلفون الضوء على إمكانية تطبيق هذه التقنيات على الاكتشاف السببي الحجاجي (Argumentative Causal Discovery)، وهو مجال يعاني حاليًا من مشاكل في القابلية للتوسع. إن القدرة على تقسيم قواعد المعرفة الكبيرة يمكن أن تمكن من تحليل النماذج السببية المعقدة التي يصعب معالجتها حاليًا.
الجاهزية للتنفيذ: يشير الاختزال إلى تقسيم الرسم البياني للتبعية إلى أن هذه الأساليب يمكن دمجها فورًا في أدوات حل ABA الموجودة (مثل تلك القائمة على برمجة مجموعات الإجابة - ASP) مع حد أدنى من التكاليف، مما قد يؤدي إلى مكاسب كبيرة في الأداء (كما تمت الإشارة إلى تسارع بنسبة ~60% في سياقات AF مماثلة).

باخت-صار، يقدم البحث إطارًا نظريًا وخوارزميًا قويًا لتفكيك مشكلات الحجاج المعقدة القائمة على الافتراضات، مما يوفر مسارًا نحو استدلال قابل للتوسع وفعال في أنظمة المنطق غير الرتيب.