基于案例推理 (CBR)
- 提出者
- Janet Kolodner; Agnar Aamodt & Enric Plaza (R4 cycle)
- 年份
- 1994
- 类型
- Experience-based (analogical) problem solving
- 类别
- Case-based reasoning
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
基于案例推理通过检索过去已解决的相似问题并调整其解决方案来解决新问题,而不是从第一性原理或训练过的统计模型进行推理。由 Aamodt 和 Plaza 于 1994 年正式化为检索-重用-修正-保留 (Retrieve-Reuse-Revise-Retain) 循环,并由 Janet Kolodner 推广,CBR 模仿了医学、法律和工程领域人类专家通过类比回忆案例进行推理的方式,并且它通过存储每个新解决的案例来简单地学习。
方法背后的直觉
医生面对一个棘手的病人时,不会从头开始重新推导医学知识;她会回忆起类似的病人以及对他们有效的治疗方法,然后根据当前病人的差异进行调整。CBR 正是编码了这一点:它维护一个过去案例(问题及其解决方案)的库,找到与新问题最相似的过去案例,在调整后重用该解决方案,检查其是否有效,然后将新经验存档以备将来使用。因此,知识是具体的、基于示例的,而不是一组抽象的规则,这使得 CBR 非常适合经验比理论更重要的领域。
历史学
案例推理源于 Roger Schank 在 20 世纪 80 年代初关于动态记忆和脚本的工作,并由 Janet Kolodner 发展成为一种实用的方法论,她于 1992 年的介绍和随后的教科书塑造了该领域。Aamodt 和 Plaza 的 1994 年论文提供了统一的检索-重用-修正-保留 (4R) 循环,至今仍是标准描述。CBR 成为了知识库和类比人工智能的一个公认分支,在诊断、法律、设计和推荐方面有着持久的应用,并与最近邻学习、粗糙集和实例基方法相关联。
何时使用
当存在可重用的良好过往实例解决方案时,领域难以用显式规则或统计模型捕获,并且重视基于具体先例的解释时,应使用案例推理——典型的应用包括医学诊断、法律推理(先例)、帮助台和技术支持、设计和配置。当数据逐步累积(每个已解决的案例都立即有用)且透明度很重要时,它很有吸引力,因为可以通过其来源的类似案例来证明建议的合理性。它关键依赖于有意义的相似性度量和调整知识;如果相似性度量不佳、缺乏调整或案例库稀疏/有偏见,它就会退化,对于大型平滑数据集,统计学习器可能会更好地泛化。
局限与注意事项
- 质量取决于相似性度量和调整知识,这可能难以工程化。
- 有偏见或稀疏的案例库会导致不良或有偏差的建议。
- 如果没有良好的索引,随着案例库的增长,检索可能会变慢。
- 在大型平滑数据集上,泛化能力可能不如统计模型。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 通过简单地保留已解决的案例来逐步学习——无需批量重新训练。
- 透明且可解释:建议可以通过具体的类似案例来证明其合理性。
- 适用于难以用显式规则或参数模型捕捉的领域。
- 自然地处理不断增长、不断发展的经验库。
应用
- 通过类似的过往病人进行医学诊断和治疗推荐。
- 法律推理和先例检索。
- 技术支持、帮助台和故障诊断。
- 通过类比进行工程设计和产品配置。
- 在可以调整过往解决方案的推荐和规划场景中。
使用方式
使用方式
给定一个新问题(查询),使用基于问题特征的相似性度量在案例库中搜索最相似的已存储案例——通常是加权的距离或最近邻度量,有时会使用索引来提高速度。检索到的案例会提供一个在类似情况下有效的解决方案。
公式
c^* = \arg\max_{c \in \text{CaseBase}} \ \text{sim}(q, c)调整检索到的解决方案以适应新问题。调整范围可以是从无(按原样复制解决方案)到参数替换,再到由领域规则指导的转换性调整。这一步将“过去有效的方法”转化为“现在”的候选解决方案。
公式
\hat{s} = \text{adapt}\big(\text{solution}(c^*),\ q\big)评估候选解决方案——通过模拟、专家评审或实际结果——并在其失败时进行修复。修正阶段是 CBR 处理过去案例仅相似而非完全相同这一事实,并相应地纠正所提出解决方案的地方。
公式
s = \text{repair}(\hat{s})\ \text{after evaluating outcome}将新问题及其已确认的解决方案(以及吸取的教训)存储回案例库。这是 CBR 的学习机制:系统通过积累经验而逐步改进,没有单独的训练阶段。
公式
\text{CaseBase} \leftarrow \text{CaseBase} \cup \{(q, s)\}常见陷阱
- 将检索(最近邻案例)视为整个方法而跳过调整和修正。
- 使用忽略哪些特征实际重要的未加权或朴素相似性度量。
- 让案例库无维护地增长,积累冗余或过时的案例。
- 保留未经证实的解决方案,从而将错误传播到未来的推理中。
常见问题
CBR 与 k-最近邻有何不同?
最近邻分类在检索处停止——它根据相似实例进行预测。CBR 更进一步:它将检索到的解决方案调整以适应新问题(重用),评估并修复它(修正),然后存储结果(保留)。因此,kNN 本质上是 CBR 的检索步骤,但没有调整、修正或通过案例保留进行的显式学习。
CBR 需要训练阶段吗?
不需要。CBR 没有单独的训练步骤;它直接从存储的案例中进行推理,并通过保留每个新解决的案例来学习。这使其非常适合知识逐步累积且重新训练模型不切实际的领域。
什么构成了 CBR 的良好相似性度量?
能够反映哪些问题特征实际决定了正确解决方案的度量,通常是特征距离的加权组合,权重由领域知识设定或从数据中学习。糟糕或未加权的相似性度量是 CBR 性能不佳的最常见原因。