ReMLAV: Relationales maschinelles Lernen fuer Argumentvalidierung

• Antragsteller: Professor Dr. Hinrich Schütze; Professor Dr. Thomas Seidl
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Allgemeine und Vergleichende Sprachwissenschaft, Experimentelle Linguistik, Typologie, Außereuropäische Sprachen
• Förderung: Förderung von 2017 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 376183703

Unser Thema is Argumentvalidierung, ein wichtiger Aspekt von Argumentationsmaschinen. Wir formalisieren Argumentvalidierung als die Validierung von Argumentlinks, d.h. der Validierung von zwei Saetzen, die in einem Argument aufeinander folgen. Ein Argumentlink wird als valide klassifiziert genau dann, wenn die zwei Saetzen einen validen Teil eines Arguments bilden, z.B. deswegen weil der erste Satz den zweiten impliziert. Wer werden eine neue Argumentlinkvalidierungsmethode erarbeiten, die aufVorarbeiten in drei Forschungsgebieten basiert: (i) relationales maschinelles Lernen, (ii) Embeddings und (iii) Subraumanalyse. (i) Relationales maschinelles Lernen behandelt Modelle von Relationen zwischen Objekten. Wir wenden es an auf den Fall, dass die Objekte Saetzen sind und die Relationen (In-)Validitaet oder (auf feingranularer Ebene) Relationen wie Implikation, Entailment oderWiderspruch. (ii) Embeddings sind hochdimensionale Repraesentationen von linguistischen Objekten und sind die Grundlage fuer maechtige Modelle des maschinellen Lernens mit hervorragenden Generalisierungseigenschaften. Wir benutzen Embeddings zur Darstellung von Saetzen. (iii) Embeddings haben den Nachteil, dass sie fuer Menschen schwer zu inspizieren und zu verstehen sind. Aber Menschen brauchen Inspizierbarkeit und Verstehbarkeit von Repraesentationen, um eine Argumentationsmaschine nutzen zu koennen. Wir werden deswegen Subraummodelle entwickeln, damit menschliche Nutzer die Embeddingraeume, in denen Saetzen dargestellt werden, und die Entscheidungen vor Argumentationsmaschinen verstehen koennen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1999: Robust Argumentation Machines (RATIO)
• Mitverantwortlich: Professor Dr. Volker Tresp