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
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
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)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)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}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
Aamodt, A., & Plaza, E. (1994). Case-based reasoning: Foundational issues, methodological variations, and system approaches. AI Communications, 7(1), 39–59.
Открыть ссылку DOIСкопировано.Kolodner, J. L. (1992). An introduction to case-based reasoning. Artificial Intelligence Review, 6(1), 3–34.
Открыть ссылку DOIСкопировано.