Zum Inhalt springen
Zurück zu den Suchergebnissen

Fallbasiertes Schließen (Case-Based Reasoning, CBR)

Eingeführt von
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
Jahr
1994
Typ
Experience-based (analogical) problem solving
Familie
Case-based reasoning

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Fallbasiertes Schließen löst ein neues Problem, indem es ähnliche, in der Vergangenheit gelöste Probleme abruft und deren Lösungen anpasst, anstatt aus ersten Prinzipien oder einem trainierten statistischen Modell zu schließen.

Formalisiert als der Retrieve-Reuse-Revise-Retain-Zyklus (Abrufen-Wiederverwenden-Überarbeiten-Beibehalten) durch Aamodt und Plaza im Jahr 1994 und popularisiert durch Janet Kolodner, spiegelt CBR wider, wie menschliche Experten in Medizin, Recht und Ingenieurwesen durch Analogie aus erinnerten Fällen schließen, und es lernt einfach durch das Speichern jedes neu gelösten Falls.

Die Intuition hinter der Methode

Ein Arzt, der mit einem schwierigen Patienten konfrontiert ist, leitet die Medizin nicht von Grund auf neu ab; sie erinnert sich an ähnliche Patienten und was bei ihnen funktioniert hat, und passt dann die Unterschiede dieses Patienten an. CBR kodiert genau dies: Es verwaltet eine Bibliothek vergangener Fälle (Problem plus Lösung), findet den ähnlichsten vergangenen Fall zum neuen Problem, verwendet diese Lösung mit Anpassungen wieder, prüft, ob sie funktioniert hat, und speichert die neue Erfahrung für das nächste Mal. Wissen ist daher konkret und beispielbasiert, nicht eine Menge abstrakter Regeln, was CBR für Domänen, in denen Erfahrung wichtiger ist als Theorie, natürlich macht.

Geschichte

Fallbasiertes Schließen entwickelte sich aus Roger Schanks Arbeit über dynamisches Gedächtnis und Skripte in den frühen 1980er Jahren und wurde zu einer praktischen Methodik von Janet Kolodner entwickelt, deren Einführung von 1992 und das anschließende Lehrbuch das Feld prägten. Aamodt und Plazas Arbeit von 1994 lieferte den vereinheitlichenden Retrieve-Reuse-Revise-Retain (4R)-Zyklus, der die Standardbeschreibung bleibt. CBR wurde zu einem anerkannten Zweig des wissensbasierten und analogen KI, mit anhaltenden Anwendungen in Diagnose, Recht, Design und Empfehlung, und es verbindet sich mit Nächste-Nachbarn-Lernen, Rough Sets und instanzbasierten Methoden.

Wann wird sie eingesetzt?

Verwende fallbasiertes Schließen, wenn gute Lösungen für vergangene Instanzen existieren und wiederverwendbar sind, die Domäne schwer in expliziten Regeln oder einem statistischen Modell zu erfassen ist und Erklärungen, die auf konkreten Präzedenzfällen basieren, geschätzt werden – klassische Anwendungsfälle sind medizinische Diagnose, juristische Argumentation (Präzedenzfall), Helpdesk und technischer Support, Design und Konfiguration. Es ist attraktiv, wenn Daten inkrementell anfallen (jeder gelöste Fall ist sofort nützlich) und wenn Transparenz wichtig ist, da eine Empfehlung durch den analogen Fall, aus dem sie stammt, gerechtfertigt werden kann. Es hängt entscheidend von einem aussagekräftigen Ähnlichkeitsmaß und von Anpassungswissen ab; bei schlechten Ähnlichkeitsmetriken, fehlender Anpassung oder einer spärlichen/verzerrten Fallbasis verschlechtert es sich, und bei großen glatten Datensätzen kann ein statistischer Lerner besser generalisieren.

Grenzen und Hinweise

  • Die Qualität hängt vom Ähnlichkeitsmaß und vom Anpassungswissen ab, was schwierig zu entwickeln sein kann.
  • Eine verzerrte oder spärliche Fallbasis liefert schlechte oder verzerrte Empfehlungen.
  • Der Abruf kann langsam werden, wenn die Fallbasis ohne gute Indizierung wächst.
  • Kann schlechter generalisieren als statistische Modelle bei großen, glatten Datensätzen.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Lernt inkrementell durch einfaches Beibehalten gelöster Fälle – kein Batch-Retraining.
  • Transparent und erklärbar: Empfehlungen werden durch konkrete analoge Fälle gerechtfertigt.
  • Funktioniert in Domänen, die expliziten Regeln oder parametrischen Modellen widerstehen.
  • Verarbeitet auf natürliche Weise einen wachsenden, sich entwickelnden Erfahrungsschatz.

Anwendungen

  • Medizinische Diagnose und Behandlungsempfehlung anhand ähnlicher vergangener Patienten.
  • Juristische Argumentation und Präzedenzfallabruf.
  • Technischer Support, Helpdesks und Fehlerdiagnose.
  • Ingenieurtechnisches Design und Produktkonfiguration durch Analogie.
  • Empfehlung und Planung, bei denen vergangene Lösungen angepasst werden können.

So funktioniert es

So funktioniert es

1

Gegeben ein neues Problem (Abfrage), durchsuche die Fallbasis nach den ähnlichsten gespeicherten Fällen unter Verwendung eines Ähnlichkeitsmaßes über die Merkmale des Problems – oft eine gewichtete Distanz- oder Nächste-Nachbarn-Metrik, manchmal mit Indizierung zur Beschleunigung. Der abgerufene Fall liefert eine Lösung, die in einer analogen Situation funktioniert hat.

Formel
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)
2

Passe die abgerufene Lösung an das neue Problem an. Die Anpassung reicht von null (Kopieren der Lösung wie besehen) über den Austausch von Parametern bis hin zur transformationalen Anpassung, die von Domänenregeln geleitet wird. Dieser Schritt wandelt 'was früher funktionierte' in eine Kandidatenlösung für 'jetzt' um.

Formel
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)
3

Bewerte die Kandidatenlösung – durch Simulation, Expertenprüfung oder reale Ergebnisse – und repariere sie, falls sie fehlschlägt. Die Überarbeitung ist der Punkt, an dem CBR mit der Tatsache konfrontiert wird, dass der vergangene Fall nur ähnlich, aber nicht identisch war, und korrigiert die vorgeschlagene Lösung entsprechend.

Formel
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}
4

Speichere das neue Problem zusammen mit seiner bestätigten Lösung (und den gewonnenen Erkenntnissen) zurück in die Fallbasis. Dies ist der Lernmechanismus von CBR: Das System verbessert sich inkrementell, während es Erfahrungen sammelt, ohne separate Trainingsphase.

Formel
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}

Häufige Fallstricke

  • Behandelt den Abruf (nächster Fall) als die gesamte Methode und überspringt Anpassung und Überarbeitung.
  • Verwendet ein ungewichtetes oder naives Ähnlichkeitsmaß, das ignoriert, welche Merkmale tatsächlich wichtig sind.
  • Lässt die Fallbasis ungepflegt wachsen und sammelt redundante oder veraltete Fälle an.
  • Behält unbestätigte Lösungen bei, was Fehler in zukünftige Schlussfolgerungen überträgt.

Häufig gestellte Fragen

Wie unterscheidet sich CBR von k-Nächste-Nachbarn?

Die Nächste-Nachbarn-Klassifizierung stoppt beim Abruf – sie prognostiziert anhand ähnlicher Instanzen. CBR geht weiter: Es passt die abgerufene Lösung an das neue Problem an (Wiederverwenden), bewertet und repariert sie (Überarbeiten) und speichert das Ergebnis (Beibehalten). kNN ist also im Wesentlichen der Abrufs Schritt von CBR ohne Anpassung, Überarbeitung oder explizites Lernen durch Fallbeibehaltung.

Benötigt CBR eine Trainingsphase?

Nein. CBR hat keine separate Trainingsphase; es schließt direkt aus gespeicherten Fällen und lernt durch das Beibehalten jedes neu gelösten Falls. Dies macht es gut geeignet für Domänen, in denen Wissen inkrementell akkumuliert und das Neutrainieren eines Modells unpraktisch wäre.

Was macht ein gutes Ähnlichkeitsmaß für CBR?

Eines, das widerspiegelt, welche Problemmerkmale die richtige Lösung tatsächlich bestimmen, normalerweise eine gewichtete Kombination von Merkmalsdistanzen, wobei die Gewichte durch Domänenwissen festgelegt oder aus Daten gelernt werden. Ein schlechtes oder ungewichtetes Ähnlichkeitsmaß ist die häufigste Ursache für schwache CBR-Leistung.

Verwandte Methoden

Quellen

  1. Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.

    DOI-Referenz öffnen
    Kopiert.
  2. Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.

    DOI-Referenz öffnen
    Kopiert.