Klassifikation ist ein zentrales Problem des maschinellen Lernens, bei dem es darum geht, aus einer Menge von kategorisierten Beispielen ein Klassifikator zur Kategorisierung von neuen Beobachtungen zu lernen. Eine Reihe von Ansätzen zur Lösung dieses Problems wurden bereits entwickelt, unter anderem Entscheidungsbäume, Support Vector Machines, und ähnliche Methoden. Das Gebiet des Statistical Relational Learning bezieht dazu weiterhin auch noch Aspekte der Wissensrepräsentation ein und entwickelt Modelle, die stärker auf formal logischen und statistischen Grundlagen basieren. In diesem Projekt werden wir diesen Aspekt des maschinellen Lernens grundlegend durch Einbeziehung von Modellen der formalen Argumentation, ein aktueller Ansatz für rationales Schliessen, erweitern. Betrachte beispielsweise den folgen Klassifikationsansatz. In einem ersten Schritt werden einfache Lernalgorithmen für Regeln (wie beispielsweise Assozationsregellerner) benutzt um oft vorkommende Muster und Regeln aus einem gegeben Datensatz zu lernen. Die Ausgabe dieses Schrittes ist für gewöhnlich eine recht große Menge an Regeln, die aufgrund ihrer innere Inkonsistenz normalerweise nicht direkt für das Problem der Klassifikation genutzt werden können. Daher interpretieren wir in einem zweiten Schritt diese Regelmenge als die Eingabe für einen Ansatz zur strukturierten Argumentation, wie beispielsweise ASPIC+, DeLP, ABA, oder deduktive Argumentation, sowie deren probabilistische Erweiterungen. Auf Basis des argumentativen Inferenzmechanimus dieser Ansätze können nun neue Beobachtungen durch Konstruktion von Argumenten und Gegenargumenten klassifiziert werden.

Das Projekt CAML wird neuartige Ansätze des Machinellen Lernens wie den oben beschriebenen, entwickeln und ein neues wissenschaftliches Feld "Argumentatives Maschinelles Lernen" prägen, d.h. eine enge Verknüpfung von "C"omputational "A"rgumentation und "M"achine "L"earning. Diese Verknüpfung bringt mehrere Vorteile. Die Nutzung von Argumentationstechniken erlaubt die Entwicklung von Klassifikatoren, die "erklärbar" sind und damit den aktuellen Wunsch nach einer "Explainable AI" adressieren. Klassifikationen werden nun ergänzt durch dialektische Analysen, die aufzeigen warum Argument für eine bestimmte Konklusion anderen Gegenargument vorgezogen werden. Diese Eigenschaft erlaubt es, Vertrauen in einen Klassifikator zu wecken, was wiederum essentiell ist wenn auf Grundlage dieser Analysen Entscheidungen getroffen werden müssen. Die Nutzung von Argumentationtechniken im maschinellen Lernen erlaubt es zudem, Expertenwissen in Argumentationsform in einfacher Weise zu integrieren. Schliesslich, da es eine Reihe verschiedener Ansätze zu strukturierter Argumentation gibt, erlaubt deren Anwendung auf Probleme des maschinellen Lernens eine neuartige Evaluierungsmethode, die über bisherige analytische Vergleiche hinausgeht.