19、神经网络在论证与概率推理中的应用

神经网络在论证与概率推理中的应用

1. 纤维技术在论证中的应用

纤维技术在法律推理和论证领域有着有趣的应用。有人主张结合使用标记演绎系统（LDS）、贝叶斯网络和神经网络，来支持在不确定情况下对法律证据的推理。其中，神经网络作为学习系统，可在新证据出现时更新或修正系统的置信度和规则。这三种不同的表示方式——逻辑（LDS）、贝叶斯和连接主义，都扩展了基于价值的论证框架。

以一个道德辩论为例，论证网络的某些方面具有概率性。比如，Carla是否有充足胰岛素（E）以及Hal是否能为Carla补充替代胰岛素（C），都取决于时间且具有概率性。若Carla有充足胰岛素，Hal能补偿她的可能性就更高。贝叶斯网络（E → C）的概率矩阵会影响Hal偷Carla部分胰岛素是否危及她生命（D）这一判断。

在这个论证网络中，随着辩论推进和行动实施，某些方面会发生变化，如一个论证攻击另一个论证的强度可能随时间改变。这是一个学习过程，可以通过神经网络实现。该神经网络是一个自联想、单隐藏层前馈网络，具有输入层（A, B, D）、输出层（A, B, D）和隐藏层（h1, h2, h3）。隐藏神经元用于提供更大的灵活性，使网络能够学习输入神经元的组合。训练会根据论证A、B和D之间关系的示例改变初始权重。大致来说，如果从神经元h1到输出神经元A的权重绝对值大于从神经元h2和h3到A的权重绝对值之和，那么可以说论证A占优势。

现在有了道德辩论示例中论证的两个具体模型——概率模型和学习/行动模型，我们可以更现实地对问题进行推理。只需将这两个模型一致地结合起来，可使用网络的纤维方法。抽象的论证网络能告诉我们如何将贝叶斯网络和神经网络进行纤维。从论证网络可知，论证C和E直接攻击论证D，所以希望贝叶斯网络E