Przejdź do treści
Wróć do wyników wyszukiwania

Rozumowanie oparte na przypadkach (CBR)

Autor metody
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
Rok
1994
Typ
Experience-based (analogical) problem solving
Rodzina
Case-based reasoning

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Rozumowanie oparte na przypadkach rozwiązuje nowy problem poprzez wyszukiwanie podobnych problemów rozwiązanych w przeszłości i adaptację ich rozwiązań, zamiast wnioskowania od podstaw lub na podstawie wytrenowanego modelu statystycznego.

Sformalizowane jako cykl Pobierz-Wykorzystaj-Popraw-Zachowaj (Retrieve-Reuse-Revise-Retain) przez Aamodta i Plazę w 1994 roku i spopularyzowane przez Janet Kolodner, CBR naśladuje sposób, w jaki ludzcy eksperci w medycynie, prawie i inżynierii rozumują przez analogię na podstawie zapamiętanych przypadków, a uczy się po prostu przez przechowywanie każdego nowo rozwiązanego przypadku.

Intuicja stojąca za metodą

Lekarz stykający się z trudnym pacjentem nie wyprowadza medycyny od zera; przypomina sobie podobnych pacjentów i to, co u nich zadziałało, a następnie dostosowuje leczenie do różnic tego pacjenta. CBR koduje dokładnie to: przechowuje bibliotekę przeszłych przypadków (problem plus jego rozwiązanie), znajduje najbardziej podobny przeszły przypadek do nowego problemu, ponownie wykorzystuje to rozwiązanie z adaptacjami, sprawdza, czy zadziałało, i archiwizuje nowe doświadczenie na przyszłość. Wiedza jest zatem konkretna i oparta na przykładach, a nie zbiorem abstrakcyjnych reguł, co czyni CBR naturalnym dla dziedzin, w których doświadczenie jest ważniejsze niż teoria.

Historia

Rozumowanie oparte na przypadkach wyrosło z pracy Rogera Schanka nad pamięcią dynamiczną i skryptami na początku lat 80. XX wieku i zostało rozwinięte w praktyczną metodologię przez Janet Kolodner, której wprowadzenie z 1992 roku i późniejszy podręcznik ukształtowały dziedzinę. Artykuł Aamodta i Plazy z 1994 roku dostarczył unifikujący cykl Pobierz-Wykorzystaj-Popraw-Zachowaj (4R), który pozostaje standardowym opisem. CBR stało się uznaną gałęzią sztucznej inteligencji opartej na wiedzy i analogicznej, z trwałymi zastosowaniami w diagnostyce, prawie, projektowaniu i rekomendacjach, a także łączy się z uczeniem najbliższego sąsiada, zbiorami przybliżonymi i metodami opartymi na instancjach.

Kiedy stosować

Używaj rozumowania opartego na przypadkach, gdy istnieją dobre rozwiązania przeszłych instancji i są one możliwe do ponownego wykorzystania, dziedzina jest trudna do ujęcia w jawnych regułach lub modelu statystycznym, a wyjaśnienia oparte na konkretnych precedensach są cenione — klasyczne zastosowania obejmują diagnozę medyczną, rozumowanie prawne (precedens), pomoc techniczną i wsparcie techniczne, projektowanie i konfigurację. Jest atrakcyjne, gdy dane gromadzą się przyrostowo (każdy rozwiązany przypadek jest natychmiast użyteczny) i gdy ważna jest przejrzystość, ponieważ rekomendacja może być uzasadniona analogicznym przypadkiem, z którego pochodzi. Krytycznie zależy od znaczącej miary podobieństwa i wiedzy o adaptacji; przy słabych metrykach podobieństwa, braku adaptacji lub rzadkiej/stronniczej bazie przypadków degraduje się, a dla dużych, gładkich zbiorów danych model statystyczny może generalizować lepiej.

Ograniczenia i uwagi

  • Jakość zależy od miary podobieństwa i wiedzy o adaptacji, które mogą być trudne do zaprojektowania.
  • Stronnicza lub rzadka baza przypadków daje słabe lub zniekształcone rekomendacje.
  • Wyszukiwanie może stać się powolne w miarę wzrostu bazy przypadków bez dobrego indeksowania.
  • Może generalizować gorzej niż modele statystyczne na dużych, gładkich zbiorach danych.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Uczy się przyrostowo przez proste zachowywanie rozwiązanych przypadków — brak ponownego uczenia wsadowego.
  • Przejrzyste i zrozumiałe: rekomendacje są uzasadniane konkretnymi analogicznymi przypadkami.
  • Działa w dziedzinach, które opierają się jawnym regułom lub modelom parametrycznym.
  • Naturalnie obsługuje rosnącą, ewoluującą bazę doświadczeń.

Zastosowania

  • Diagnostyka medyczna i rekomendacja leczenia na podstawie podobnych przeszłych pacjentów.
  • Rozumowanie prawne i wyszukiwanie precedensów.
  • Wsparcie techniczne, pomoc techniczna i diagnoza usterek.
  • Projektowanie inżynieryjne i konfiguracja produktów przez analogię.
  • Rekomendacje i planowanie, gdzie przeszłe rozwiązania mogą być adaptowane.

Jak to działa

Jak to działa

1

Mając nowy problem (zapytanie), przeszukaj bazę przypadków w poszukiwaniu najbardziej podobnych przechowywanych przypadków przy użyciu miary podobieństwa cech problemu — często ważonej odległości lub metryki najbliższego sąsiada, czasami z indeksowaniem dla szybkości. Pobierany przypadek zawiera rozwiązanie, które sprawdziło się w analogicznej sytuacji.

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

Zaadaptuj pobrane rozwiązanie do nowego problemu. Adaptacja waha się od zerowej (kopiowanie rozwiązania bez zmian) po podstawienie parametrów, po adaptację transformacyjną kierowaną regułami dziedzinowymi. Ten krok przekształca „to, co zadziałało wcześniej” w kandydujące rozwiązanie dla „teraz”.

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

Oceń kandydujące rozwiązanie — poprzez symulację, przegląd ekspercki lub rzeczywisty wynik — i napraw je, jeśli zawiedzie. Poprawka to miejsce, w którym CBR konfrontuje się z faktem, że przeszły przypadek był tylko podobny, a nie identyczny, i odpowiednio koryguje proponowane rozwiązanie.

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

Przechowaj nowy problem wraz z jego potwierdzonym rozwiązaniem (i wyciągniętymi wnioskami) z powrotem w bazie przypadków. To jest mechanizm uczenia się CBR: system doskonali się przyrostowo w miarę gromadzenia doświadczenia, bez oddzielnej fazy treningu.

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

Częste pułapki

  • Traktowanie wyszukiwania (najbliższego przypadku) jako całej metody i pomijanie adaptacji i poprawki.
  • Używanie nie ważonej lub naiwnej miary podobieństwa, która ignoruje, które cechy faktycznie mają znaczenie.
  • Pozwalanie na niekontrolowany wzrost bazy przypadków, gromadzenie redundantnych lub przestarzałych przypadków.
  • Zachowywanie niezweryfikowanych rozwiązań, co propaguje błędy w przyszłym rozumowaniu.

Najczęściej zadawane pytania

Czym CBR różni się od k-najbliższych sąsiadów?

Klasyfikacja najbliższych sąsiadów zatrzymuje się na wyszukiwaniu — przewiduje na podstawie podobnych instancji. CBR idzie dalej: adaptuje pobrane rozwiązanie do nowego problemu (ponowne wykorzystanie), ocenia i naprawia je (poprawka) oraz przechowuje wynik (zachowanie). Zatem kNN jest zasadniczo krokiem wyszukiwania w CBR bez adaptacji, poprawki lub jawnego uczenia się przez zachowywanie przypadków.

Czy CBR wymaga fazy treningu?

Nie. CBR nie ma oddzielnego kroku treningowego; wnioskuje bezpośrednio z przechowywanych przypadków i uczy się przez zachowywanie każdego nowo rozwiązanego przypadku. Czyni to system dobrze dopasowanym do dziedzin, w których wiedza gromadzi się przyrostowo i gdzie ponowne trenowanie modelu byłoby niepraktyczne.

Co stanowi dobrą miarę podobieństwa dla CBR?

Taką, która odzwierciedla, które cechy problemu faktycznie determinują właściwe rozwiązanie, zazwyczaj ważoną kombinację odległości cech z wagami ustalonymi przez wiedzę dziedzinową lub nauczonymi z danych. Słaba lub nieważona miara podobieństwa jest najczęstszą przyczyną słabej wydajności CBR.

Pokrewne metody

Źródła

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

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

    Otwórz odnośnik DOI
    Skopiowano.