Skip to content
Назад к результатам поиска

Рассуждение на основе прецедентов (CBR)

Автор метода
Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
Год
1994
Тип
Experience-based (analogical) problem solving
Семейство
Case-based reasoning

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Рассуждение на основе прецедентов решает новую проблему путем поиска похожих решенных в прошлом проблем и адаптации их решений, а не путем рассуждений от первых принципов или обученной статистической модели.

Формализованное как цикл «Извлечение-Повторное использование-Пересмотр-Сохранение» (Retrieve-Reuse-Revise-Retain) Аамодтом и Плазой в 1994 году и популяризированное Джанет Колонднер, CBR отражает то, как человеческие эксперты в медицине, праве и инженерии рассуждают по аналогии, опираясь на запомненные случаи, и учится просто путем сохранения каждого вновь решенного случая.

Интуиция метода

Врач, столкнувшись со сложным случаем, не выводит медицину с нуля; он вспоминает похожих пациентов и то, что им помогло, а затем корректирует лечение с учетом особенностей данного пациента. CBR кодирует именно это: он хранит библиотеку прошлых случаев (проблема плюс ее решение), находит наиболее похожий прошлый случай к новой проблеме, повторно использует это решение с адаптациями, проверяет, сработало ли оно, и сохраняет новый опыт на будущее. Таким образом, знание является конкретным и основанным на примерах, а не набором абстрактных правил, что делает CBR естественным для областей, где опыт важнее теории.

История

Рассуждение на основе прецедентов выросло из работы Роджера Шанка по динамической памяти и сценариям в начале 1980-х годов и было развито в практическую методологию Джанет Колонднер, чье введение 1992 года и последующий учебник сформировали эту область. Статья Аамодта и Плазы 1994 года предоставила унифицирующий цикл Retrieve-Reuse-Revise-Retain (4R), который остается стандартным описанием. CBR стал признанной ветвью экспертных систем и аналогового ИИ, с устойчивыми приложениями в диагностике, праве, проектировании и рекомендациях, и он связан с обучением ближайших соседей, нечеткими множествами и методами на основе экземпляров.

Когда применять

Использовать рассуждение на основе прецедентов, когда существуют хорошие решения для прошлых случаев и они могут быть повторно использованы, предметная область сложна для формализации в явных правилах или статистической модели, и ценятся объяснения, основанные на конкретных прецедентах — классические примеры включают медицинскую диагностику, юридические рассуждения (прецедент), службу поддержки и техническую поддержку, проектирование и конфигурацию. Это привлекательно, когда данные накапливаются инкрементально (каждый решенный случай немедленно полезен) и когда важна прозрачность, поскольку рекомендация может быть обоснована аналогичным случаем, из которого она получена. Это критически зависит от осмысленной меры сходства и знаний об адаптации; при плохих метриках сходства, отсутствии адаптации или редкой/предвзятой базе прецедентов оно деградирует, а для больших гладких наборов данных статистический обучающийся может обобщать лучше.

Ограничения и замечания

  • Качество зависит от меры сходства и знаний об адаптации, которые могут быть сложны в разработке.
  • Предвзятая или редкая база прецедентов дает плохие или искаженные рекомендации.
  • Поиск может замедлиться по мере роста базы прецедентов без хорошей индексации.
  • Может обобщать хуже, чем статистические модели, на больших, гладких наборах данных.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Обучается инкрементально путем простого сохранения решенных случаев — без пакетного переобучения.
  • Прозрачность и объяснимость: рекомендации обосновываются конкретными аналогичными случаями.
  • Работает в областях, которые сопротивляются явным правилам или параметрическим моделям.
  • Естественно обрабатывает растущий, развивающийся объем опыта.

Применение

  • Медицинская диагностика и рекомендация лечения на основе похожих прошлых пациентов.
  • Юридические рассуждения и поиск прецедентов.
  • Техническая поддержка, службы поддержки и диагностика неисправностей.
  • Инженерное проектирование и конфигурация продуктов по аналогии.
  • Рекомендации и планирование, где прошлые решения могут быть адаптированы.

Как это работает

Как это работает

1

Для новой проблемы (запроса) осуществляется поиск в базе прецедентов наиболее похожего(их) сохраненного(ых) прецедента(ов) с использованием меры сходства по признакам проблемы — часто взвешенного расстояния или метрики ближайшего соседа, иногда с индексацией для ускорения. Извлеченный прецедент несет в себе решение, которое сработало в аналогичной ситуации.

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

Адаптировать извлеченное решение к новой проблеме. Адаптация варьируется от нулевой (копирование решения как есть) до замены параметров, до трансформационной адаптации, управляемой правилами предметной области. Этот шаг превращает «то, что сработало раньше» в кандидатное решение для «сейчас».

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

Оценить кандидатное решение — путем симуляции, экспертной оценки или реального исхода — и исправить его, если оно не сработало. Пересмотр — это этап, на котором CBR сталкивается с фактом, что прошлый случай был лишь похожим, но не идентичным, и соответствующим образом корректирует предложенное решение.

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

Сохранить новую проблему вместе с ее подтвержденным решением (и извлеченными уроками) обратно в базу прецедентов. Это механизм обучения CBR: система улучшается инкрементально по мере накопления опыта, без отдельного этапа обучения.

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

Частые ошибки

  • Рассмотрение поиска (ближайший прецедент) как всего метода и пропуск адаптации и пересмотра.
  • Использование невзвешенной или наивной меры сходства, которая игнорирует, какие признаки действительно важны.
  • Допущение бесконтрольного роста базы прецедентов, накопление избыточных или устаревших случаев.
  • Сохранение непроверенных решений, что распространяет ошибки на будущие рассуждения.

Часто задаваемые вопросы

Чем CBR отличается от k-ближайших соседей?

Классификация по k-ближайшим соседям останавливается на этапе извлечения — она предсказывает на основе похожих экземпляров. CBR идет дальше: он адаптирует извлеченное решение к новой проблеме (повторное использование), оценивает и исправляет его (пересмотр), и сохраняет результат (сохранение). Таким образом, kNN — это, по сути, этап извлечения CBR без адаптации, пересмотра или явного обучения путем сохранения прецедентов.

Нужен ли CBR этап обучения?

Нет. CBR не имеет отдельного этапа обучения; он рассуждает непосредственно на основе сохраненных прецедентов и учится путем сохранения каждого вновь решенного случая. Это делает его хорошо подходящим для областей, где знания накапливаются инкрементально и где переобучение модели было бы непрактичным.

Что делает меру сходства для CBR хорошей?

Та, которая отражает, какие признаки проблемы действительно определяют правильное решение, обычно взвешенная комбинация расстояний по признакам с весами, установленными на основе знаний предметной области или полученными из данных. Плохая или невзвешенная мера сходства является наиболее частой причиной слабого выполнения CBR.

Похожие методы

Источники

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

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

    Открыть ссылку DOI
    Скопировано.