Рассуждения на основе прецедентов - Case-based reasoning

Рассуждение на основе прецедентов ( CBR ) в широком понимании - это процесс решения новых проблем, основанный на решениях аналогичных прошлых проблем. Авто механик , который фиксирует двигатель , вспоминая другой автомобиль , который выставлялся подобными симптомы используют случай на основе рассуждений. Адвокат , который выступает за конкретный результат в суде на основе юридических прецедентов , или судей , который создает прецедентное право используют дела на основе рассуждений. Так же, инженер копирования рабочих элементов природы (практикующие Biomimicry ), обрабатывает природу в качестве базы данных решений проблем. Аргументация на основе прецедентов - один из наиболее заметных видов решения по аналогии .

Утверждалось, что рассуждение на основе прецедентов является не только мощным методом компьютерных рассуждений , но и широко распространенным поведением при решении повседневных человеческих проблем ; или, что более радикально, все рассуждения основаны на личных опытах прошлого. Этот взгляд связан с теорией прототипов , которая наиболее глубоко исследуется в когнитивной науке .

Процесс

Рассуждения на основе прецедентов были формализованы для целей компьютерного мышления как четырехэтапный процесс:

  1. Извлечь: если задана целевая проблема, извлечь из памяти кейсы, относящиеся к ее решению. Случай состоит из проблемы, ее решения и, как правило, аннотаций о том, как решение было получено. Например, предположим, что Фред хочет приготовить блины с черникой . Будучи начинающим поваром, он вспоминает самый важный опыт, когда он успешно готовил оладьи. Процедура, которой он придерживался для приготовления простых блинов, вместе с обоснованиями решений, принятых в процессе, составляет извлеченный случай Фреда.
  2. Повторное использование: сопоставьте решение из предыдущего случая с целевой проблемой. При этом может потребоваться адаптация решения к новой ситуации. В примере с блинами Фред должен адаптировать полученный раствор, добавив в него чернику.
  3. Исправление: сопоставив предыдущее решение с целевой ситуацией, протестируйте новое решение в реальном мире (или в моделировании) и, при необходимости, исправьте. Предположим, Фред адаптировал свой раствор для блинов, добавив в тесто чернику. После перемешивания он обнаруживает, что тесто посинело - нежелательный эффект. Это предполагает следующее исправление: отложите добавление черники до тех пор, пока тесто не будет перелито в сковороду.
  4. Сохранить: после того, как решение было успешно адаптировано к целевой проблеме, сохраните полученный опыт как новый случай в памяти. Фред, соответственно, записывает свою новую процедуру приготовления блинов с черникой, тем самым обогащая накопленный им опыт и лучше готовя его к будущим требованиям к приготовлению блинов.

Сравнение с другими методами

На первый взгляд, может показаться , CBR похожи на правила индукции алгоритмов в области машинного обучения . Подобно алгоритму индукции правил, CBR начинается с набора кейсов или обучающих примеров; он формирует обобщения этих примеров, хотя и неявные, путем выявления общих черт между извлеченным случаем и целевой проблемой.

Если, например, процедура для простых блинов сопоставлена ​​с черничными блинами, принимается решение использовать один и тот же базовый метод жидкого теста и жарки, таким образом неявно обобщая набор ситуаций, в которых можно использовать тесто и метод жарки. Однако ключевое различие между неявным обобщением в CBR и обобщением в индукции правил заключается в том, когда это обобщение делается. Алгоритм индукции правил выводит свои обобщения из набора обучающих примеров еще до того, как станет известна целевая проблема; то есть он выполняет энергичное обобщение.

Например, если бы алгоритму индукции правил были даны рецепты простых блинов, голландских яблочных блинов и банановых блинов в качестве обучающих примеров, ему пришлось бы вывести во время обучения набор общих правил для приготовления всех типов блинов. Только когда наступит время тестирования, ему будет дана, скажем, задача приготовить черничные блины. Сложность алгоритма индукции правил состоит в том, чтобы предвидеть различные направления, в которых он должен попытаться обобщить свои обучающие примеры. В этом отличие от CBR, который откладывает (неявное) обобщение своих случаев до времени тестирования - стратегия ленивого обобщения. В примере с блинами CBR уже поставили задачу приготовить черничные блины; таким образом, он может обобщать свои случаи точно так, как необходимо, чтобы охватить эту ситуацию. Следовательно, CBR обычно является хорошим подходом для сложных и сложных областей, в которых существует множество способов обобщить случай.

В законе часто существует явное делегирование ЦБ РФ судам, признавая пределы основанных на правилах причин: ограничение отсрочки, ограниченное знание будущего контекста, предел согласованного соглашения и т. Д. Хотя ЦБ РФ в законе и когнитивно вдохновленный ЦБ РФ уже давно связаны, первое более очевидно является интерполяцией основанных на правилах рассуждений и суждений, в то время как второе более тесно связано с воспоминаниями и процессами адаптации. Разница очевидна в их отношении к ошибке и апелляционному рассмотрению.

Критика

Критики CBR утверждают, что это подход, который принимает неофициальные данные в качестве основного принципа работы. Без статистически значимых данных для подкрепления и неявного обобщения нет гарантии, что обобщение верное. Однако все индуктивные рассуждения, когда данных слишком мало для статистической значимости, по своей сути основаны на анекдотических свидетельствах . Недавно была проведена работа, которая развивает CBR в рамках статистической основы и формализует вывод на основе случая как особый тип вероятностного вывода; таким образом, становится возможным производить прогнозы на основе наблюдений с определенной степенью уверенности. Одно из описаний разницы между CBR и индукцией по примерам состоит в том, что статистический вывод направлен на поиск того, что делает случаи похожими, в то время как CBR стремится закодировать то, что достаточно, чтобы утверждать аналогичные утверждения.

История

CBR уходит своими корнями в работу Роджера Шенка и его студентов в Йельском университете в начале 1980-х годов. Модель динамической памяти Шэнка была основой для самых ранних систем CBR: CYRUS Джанет Колоднер и IPP Майкла Лебовица.

Другие школы CBR и тесно связанных областей появились в 1980-х годах, которые были направлены на такие темы, как юридическое обоснование, рассуждение на основе памяти (способ рассуждения на примерах на машинах с массовым параллелизмом) и комбинации CBR с другими методами рассуждения. В 1990-х годах интерес к CBR вырос на международном уровне, о чем свидетельствует учреждение Международной конференции по аргументации на основе прецедентов в 1995 году, а также семинаров в Европе, Германии, Великобритании, Италии и других странах.

Технология CBR привела к развертыванию ряда успешных систем, самой ранней из которых была CLAVIER от Lockheed, система для выкладки композитных деталей для запекания в промышленной конвекционной печи. CBR широко использовалась в приложениях службы поддержки, таких как система Compaq SMART, и нашла важную область применения в области здравоохранения.

Смотрите также

Рекомендации

дальнейшее чтение

  • Амодт, Агнар и Энрик Плаза. « Рассуждение на основе случая: основные вопросы, методологические вариации и системные подходы » Искусственный интеллект Коммуникации 7, вып. 1 (1994): 39–52.
  • Альтхофф, Клаус-Дитер, Ральф Бергманн и Л. Карл Брантинг, ред. Case-Based Reasoning Research and Development: Труды Третьей Международной конференции по Case-Based Reasoning . Берлин: Springer Verlag, 1999.
  • Бергманн, Ralph Experience Management: основы, методология разработки и интернет-приложения . Спрингер, LNAI 2432,2002.
  • Бергманн, Р., Альтхофф, К.-Д., Брин, С., Гекер, М., Манаго, М., Трафонер, Р., и Весс, С. Разработка приложений для обоснования промышленных прецедентов: методология INRECA. Springer LNAI 1612, 2003 г.
  • Колоднер, Джанет. Рассуждения на основе случая . Сан-Матео: Морган Кауфманн, 1993.
  • Утечка, Дэвид. « CBR в контексте: настоящее и будущее », In Leake, D., редактор, Case-Based Reasoning: Experience, Lessons, and Future Directions. AAAI Press / MIT Press, 1996, 1-30.
  • Лик, Дэвид и Энрик Плаза, ред. Case-Based Reasoning Research and Development: материалы второй международной конференции по Case-Based Reasoning . Берлин: Springer Verlag, 1997.
  • Ленц, Марио; Барч-Шпёрль, Бриджит; Буркхард, Ханс-Дитер; Весс, Стефан, ред. (1998). Технология прецедентного мышления: от основ до приложений . Конспект лекций по искусственному интеллекту. 1400 . Springer. DOI : 10.1007 / 3-540-69351-3 . ISBN   978-3-540-64572-6 .
  • Оксман, Ривка . Прецеденты в дизайне: вычислительная модель для организации прецедентных знаний , исследования дизайна, Vol. 15 № 2 с. 141–157
  • Рисбек, Кристофер и Роджер Шэнк. Рассуждения изнутри . Нортвейл, Нью-Джерси: Эрлбаум, 1989.
  • Велозу, Мануэла и Агнар Амодт, ред. Case-Based Reasoning Research and Development: Труды Первой международной конференции по Case-Based Reasoning . Берлин: Springer Verlag, 1995.
  • Ватсон, Ян. Применение аргументации на основе случая: методы для корпоративных систем . Сан-Франциско: Морган Кауфманн, 1997.

внешние ссылки


Более ранняя версия вышеупомянутой статьи была размещена на Nupedia .