Skip to content
検索結果に戻る

ケースベース推論 (CBR)

提唱者
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
年
1994
種類
Experience-based (analogical) problem solving
系統
Case-based reasoning

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

ケースベース推論は、第一原理や訓練された統計モデルから推論するのではなく、過去に解決された類似の問題を検索し、その解決策を適応させることによって新しい問題を解決します。1994年にアームドットとプラザによってRetrieve-Reuse-Revise-Retain(検索・再利用・修正・保持)サイクルとして形式化され、ジャネット・コロドナーによって普及したCBRは、医学、法律、工学の専門家が記憶された事例から類推によって推論する方法を模倣しており、新しく解決された各事例を保存するだけで学習します。

手法の背後にある直感

困難な患者に直面した医師は、ゼロから医学を再導出するのではなく、類似の患者と何が有効だったかを思い出し、その患者の相違点に合わせて調整します。CBRはまさにこれをエンコードします。過去の事例(問題とその解決策)のライブラリを保持し、新しい問題に最も類似した過去の事例を見つけ、適応を加えてその解決策を再利用し、それが有効だったかどうかを確認し、次のために新しい経験をファイルします。したがって、知識は抽象的なルールのセットではなく、具体的で例に基づいたものとなり、理論よりも経験が重視されるドメインにとってCBRは自然なものとなります。

歴史学

ケースベース推論は、1980年代初頭のロジャー・シャンクの動的記憶とスクリプトに関する研究から成長し、1992年のジャネット・コロドナーによる紹介とその後の教科書によって、この分野を形成しました。アームドットとプラザの1994年の論文は、標準的な説明であり続けている統一的なRetrieve-Reuse-Revise-Retain(4R)サイクルを提供しました。CBRは、知識ベースAIおよび類推AIの認識された分野となり、診断、法律、設計、推奨において永続的な応用があり、最近傍学習、ラフ集合、インスタンスベースの方法と関連しています。

使うべき場面

良い過去の事例の解決策が存在し、再利用可能であり、ドメインが明示的なルールや統計モデルで捉えるのが難しく、具体的な先例に基づいた説明が重視される場合にケースベース推論を使用します。古典的な適合例としては、医学的診断、法的推論(先例)、ヘルプデスクおよび技術サポート、設計、構成が挙げられます。データが段階的に蓄積される場合(解決された各ケースがすぐに役立つ)や、透明性が重要な場合(推奨は、それが由来した類似ケースによって正当化できるため)に魅力的です。これは意味のある類似性尺度と適応知識に決定的に依存します。類似性メトリックが不十分な場合、適応がない場合、またはケースベースが希薄/偏っている場合、それは劣化し、大規模で滑らかなデータセットでは統計学習者がより良く一般化する可能性があります。

限界と注意点

  • 品質は、類似性尺度と適応知識に依存しますが、これらはエンジニアリングが難しい場合があります。
  • 偏ったまたは希薄なケースベースは、貧弱または歪んだ推奨をもたらします。
  • ケースベースが成長するにつれて、適切なインデックスなしでは検索が遅くなる可能性があります。
  • 大規模で滑らかなデータセットでは、統計モデルよりも一般化が劣る可能性があります。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 解決済みのケースを保持するだけで段階的に学習します。バッチ再トレーニングはありません。
  • 透明で説明可能:推奨は、具体的な類似ケースによって正当化されます。
  • 明示的なルールやパラメトリックモデルに抵抗するドメインで機能します。
  • 成長し進化する経験の蓄積を自然に処理します。

応用

  • 類似した過去の患者からの医学的診断および治療推奨。
  • 法的推論および先例検索。
  • 技術サポート、ヘルプデスク、および障害診断。
  • 類推による工学設計および製品構成。
  • 過去の解決策を適応させることができる推奨および計画。

使い方

使い方

1

新しい問題(クエリ)が与えられたら、問題の特徴に対する類似性尺度を使用して、ケースベースから最も類似した保存済みケースを検索します。多くの場合、重み付き距離または最近傍メトリックが使用され、速度のためにインデックスが付けられることもあります。検索されたケースは、類似した状況で有効だった解決策をもたらします。

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

検索された解決策を新しい問題に合わせて適応させます。適応は、null(解決策をそのままコピー)から、パラメータの置換、ドメインルールによってガイドされる変換的適応まで多岐にわたります。このステップは、「以前有効だったこと」を「今」の候補解決策に変換します。

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

候補解決策を、シミュレーション、専門家レビュー、または実際の成果によって評価し、失敗した場合は修正します。修正は、CBRが過去のケースが類似していただけで同一ではなかったという事実に直面し、提案された解決策をそれに応じて訂正する場所です。

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

新しい問題とその確認された解決策(および学んだ教訓)をケースベースに保存します。これがCBRの学習メカニズムです。システムは経験を蓄積するにつれて、個別のトレーニングフェーズなしで段階的に改善されます。

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

よくある落とし穴

  • 検索(最も近いケース)全体の方法と見なし、適応と修正をスキップすること。
  • どの特徴が実際に重要であるかを無視する、重み付けされていないまたは単純な類似性尺度を使用すること。
  • ケースベースを維持せずに成長させ、冗長または時代遅れのケースを蓄積すること。
  • 検証されていない解決策を保持し、将来の推論にエラーを伝播させること。

よくある質問

CBRはk最近傍法とどう違うのですか?

最近傍分類は検索で止まります。類似したインスタンスから予測します。CBRはさらに進みます。検索された解決策を新しい問題に適合させ(再利用)、評価・修正し(修正)、結果を保存します(保持)。したがって、kNNは本質的に、適応、修正、またはケース保持による明示的な学習なしのCBRの検索ステップです。

CBRにはトレーニングフェーズが必要ですか?

いいえ。CBRには個別のトレーニングステップはありません。格納されたケースから直接推論し、新しく解決された各ケースを保持することによって学習します。これにより、知識が段階的に蓄積され、モデルの再トレーニングが非現実的になるドメインに適しています。

CBRにとって良い類似性尺度とは何ですか?

問題の特徴が正しい解決策を実際に決定するものを反映するものです。通常、特徴距離の重み付き組み合わせで、重みはドメイン知識によって設定されるか、データから学習されます。不十分または重み付けされていない類似性尺度は、CBRのパフォーマンスが弱い最も一般的な原因です。

関連する手法

参考文献

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

    DOI 文献を開く
    コピーしました。
  2. Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.

    DOI 文献を開く
    コピーしました。