استدلال مبتنی بر مورد (CBR)
- معرفیشده توسط
- Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
- سال
- 1994
- نوع
- Experience-based (analogical) problem solving
- خانواده
- Case-based reasoning
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
استدلال مبتنی بر مورد (CBR) یک مسئله جدید را با بازیابی مسائل مشابهی که در گذشته حل شدهاند و تطبیق راهحلهای آنها، به جای استدلال از اصول اولیه یا یک مدل آماری آموزشدیده، حل میکند.
CBR که در سال ۱۹۹۴ توسط Aamodt و Plaza به صورت چرخه بازیابی-استفاده مجدد-اصلاح-نگهداری (Retrieve-Reuse-Revise-Retain) صورتبندی شد و توسط Janet Kolodner رایج گردید، نحوه استدلال متخصصان انسانی در پزشکی، حقوق و مهندسی را از طریق قیاس با موارد به خاطر سپرده شده، منعکس میکند و صرفاً با ذخیره هر مورد حلشده جدید، یاد میگیرد.
شهود پشت روش
پزشکی که با یک بیمار دشوار روبرو میشود، دارو را از ابتدا دوباره استخراج نمیکند؛ او بیماران مشابه و آنچه برای آنها مؤثر بوده را به خاطر میآورد، سپس تفاوتهای این بیمار را در نظر میگیرد. CBR دقیقاً این را رمزگذاری میکند: کتابخانهای از موارد گذشته (مسئله به همراه راهحل آن) را نگه میدارد، مشابهترین مورد گذشته را برای مسئله جدید پیدا میکند، آن راهحل را با تطبیقها دوباره استفاده میکند، بررسی میکند که آیا مؤثر بوده است یا خیر، و تجربه جدید را برای دفعه بعد بایگانی میکند. بنابراین دانش، ملموس و مبتنی بر مثال است، نه مجموعهای از قوانین انتزاعی، که CBR را برای حوزههایی که تجربه بیش از تئوری اهمیت دارد، طبیعی میسازد.
تاریخ
استدلال مبتنی بر مورد از کار راجر شَنک (Roger Schank) در مورد حافظه پویا و اسکریپتها در اوایل دهه ۱۹۸۰ نشأت گرفت و توسط جانت کولودنر (Janet Kolodner) به یک روش عملی تبدیل شد، که معرفی سال ۱۹۹۲ و کتاب درسی متعاقب آن، این حوزه را شکل داد. مقاله سال ۱۹۹۴ Aamodt و Plaza چرخه یکپارچه بازیابی-استفاده مجدد-اصلاح-نگهداری (4R) را ارائه داد که همچنان توصیف استاندارد است. CBR به یک شاخه شناخته شده از هوش مصنوعی مبتنی بر دانش و قیاسی تبدیل شد، با کاربردهای پایدار در تشخیص، حقوق، طراحی و توصیهگری، و به یادگیری نزدیکترین همسایه، مجموعههای تقریبی و روشهای مبتنی بر نمونه متصل میشود.
چه زمانی استفاده شود
هنگامی از استدلال مبتنی بر مورد استفاده کنید که راهحلهای خوبی برای نمونههای گذشته وجود داشته و قابل استفاده مجدد باشند، حوزه مورد نظر به سختی در قوانین صریح یا مدل آماری قابل توصیف باشد، و توضیحات مبتنی بر سوابق ملموس ارزشمند باشند — کاربردهای کلاسیک شامل تشخیص پزشکی، استدلال حقوقی (سابقه)، میز راهنما و پشتیبانی فنی، طراحی و پیکربندی است. این روش زمانی جذاب است که دادهها به صورت افزایشی جمعآوری میشوند (هر مورد حلشده بلافاصله مفید است) و زمانی که شفافیت اهمیت دارد، زیرا یک توصیه میتواند با مورد مشابهی که از آن آمده توجیه شود. این روش به شدت به یک معیار شباهت معنیدار و دانش تطبیق وابسته است؛ با معیارهای شباهت ضعیف، عدم تطبیق، یا پایگاه داده موارد پراکنده/جانبدار، عملکرد آن کاهش مییابد و برای مجموعه دادههای بزرگ و هموار، یک یادگیرنده آماری ممکن است بهتر تعمیم یابد.
محدودیتها و ملاحظات
- کیفیت به معیار شباهت و دانش تطبیق بستگی دارد که مهندسی آنها میتواند دشوار باشد.
- پایگاه داده موارد جانبدار یا پراکنده، توصیههای ضعیف یا کجدار و مریز را ارائه میدهد.
- بازیابی میتواند با رشد پایگاه داده موارد بدون نمایهسازی خوب، کند شود.
- ممکن است در مجموعه دادههای بزرگ و هموار، بدتر از مدلهای آماری تعمیم یابد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- به طور فزاینده با صرفاً نگهداری موارد حلشده یاد میگیرد — بدون بازآموزی دستهای.
- شفاف و قابل توضیح: توصیهها با موارد مشابه ملموس توجیه میشوند.
- در حوزههایی که در برابر قوانین صریح یا مدلهای پارامتری مقاومت میکنند، کار میکند.
- به طور طبیعی با بدنه رو به رشد و در حال تحول تجربه برخورد میکند.
کاربردها
- تشخیص پزشکی و توصیه درمان از بیماران گذشته مشابه.
- استدلال حقوقی و بازیابی سوابق.
- پشتیبانی فنی، میز راهنما و تشخیص خطا.
- طراحی مهندسی و پیکربندی محصول از طریق قیاس.
- توصیهگری و برنامهریزی که در آن راهحلهای گذشته قابل تطبیق هستند.
چگونه کار میکند
چگونه کار میکند
با توجه به یک مسئله جدید (پرسوجو)، پایگاه داده موارد را برای یافتن مشابه ترین مورد (های) ذخیره شده با استفاده از معیار شباهت بر روی ویژگیهای مسئله جستجو کنید — اغلب یک فاصله وزندار یا معیار نزدیکترین همسایه، گاهی اوقات با نمایهسازی برای سرعت. مورد بازیابی شده راهحلی را به همراه دارد که در یک وضعیت مشابه مؤثر بوده است.
فرمول
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)راهحل بازیابی شده را برای تناسب با مسئله جدید تطبیق دهید. تطبیق از صفر (کپی کردن راهحل همانطور که هست) تا جایگزینی پارامترها، تا تطبیق تحولآفرین با هدایت قوانین دامنه متغیر است. این مرحله «آنچه قبلاً کار میکرد» را به یک راهحل کاندید برای «اکنون» تبدیل میکند.
فرمول
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)راهحل کاندید را ارزیابی کنید — از طریق شبیهسازی، بازبینی متخصص، یا نتیجه دنیای واقعی — و در صورت شکست، آن را اصلاح کنید. اصلاح جایی است که CBR با این واقعیت روبرو میشود که مورد گذشته فقط مشابه بوده، نه یکسان، و راهحل پیشنهادی را بر این اساس تصحیح میکند.
فرمول
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}مسئله جدید را همراه با راهحل تأیید شده آن (و درسهای آموخته شده) دوباره به پایگاه داده موارد ذخیره کنید. این مکانیسم یادگیری CBR است: سیستم با انباشت تجربه به طور فزایندهای بهبود مییابد، بدون هیچ مرحله آموزش جداگانهای.
فرمول
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}دامهای رایج
- در نظر گرفتن بازیابی (نزدیکترین مورد) به عنوان کل روش و نادیده گرفتن تطبیق و اصلاح.
- استفاده از معیار شباهت وزندار نشده یا ساده که اهمیت ویژگیهای واقعی را نادیده میگیرد.
- اجازه دادن به رشد پایگاه داده موارد بدون نگهداری، انباشت موارد تکراری یا منسوخ.
- نگهداری راهحلهای تأیید نشده، که خطاها را به استدلال آینده منتقل میکند.
پرسشهای متداول
CBR چگونه با k-نزدیکترین همسایهها (k-nearest neighbours) تفاوت دارد؟
طبقهبندی نزدیکترین همسایه در مرحله بازیابی متوقف میشود — از نمونههای مشابه پیشبینی میکند. CBR فراتر میرود: راهحل بازیابی شده را برای مسئله جدید تطبیق میدهد (استفاده مجدد)، آن را ارزیابی و اصلاح میکند (اصلاح)، و نتیجه را ذخیره میکند (نگهداری). بنابراین kNN اساساً مرحله بازیابی CBR بدون تطبیق، اصلاح، یا یادگیری صریح از طریق نگهداری مورد است.
آیا CBR به مرحله آموزش نیاز دارد؟
خیر. CBR مرحله آموزش جداگانهای ندارد؛ مستقیماً از موارد ذخیره شده استدلال میکند و با نگهداری هر مورد حلشده جدید، یاد میگیرد. این امر آن را برای حوزههایی که دانش به صورت افزایشی انباشته میشود و بازآموزی یک مدل غیرعملی خواهد بود، مناسب میسازد.
چه چیزی یک معیار شباهت خوب برای CBR ایجاد میکند؟
معیاری که نشان میدهد کدام ویژگیهای مسئله واقعاً راهحل صحیح را تعیین میکنند، معمولاً ترکیبی وزندار از فواصل ویژگیها با وزنهایی که توسط دانش دامنه تعیین شده یا از دادهها آموخته شدهاند. یک معیار شباهت ضعیف یا وزندار نشده، رایجترین علت عملکرد ضعیف CBR است.
روشهای مرتبط
منابع
Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.
باز کردن مرجع DOIکپی شد.Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.
باز کردن مرجع DOIکپی شد.