Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Рассуждение на основе прецедентов ( CBR ) в широком понимании - это процесс решения новых проблем, основанный на решениях аналогичных прошлых проблем. [1] В 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 (практикующая биомимикрия), рассматривает природу как базу данных решений проблем. Рассуждения на основе прецедентов - это один из наиболее заметных способов принятия решений по аналогии .

Утверждалось, что рассуждение на основе прецедентов - это не только мощный метод компьютерных рассуждений , но и широко распространенное поведение 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 [ править ]

Рассуждения на основе прецедентов были формализованы для целей компьютерных рассуждений как четырехэтапный процесс: [2]

  1. Извлечь: для заданной целевой проблемы извлеките из памяти кейсы, относящиеся к ее решению. Случай состоит из проблемы, ее решения и, как правило, аннотаций о том, как было получено решение. 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, включив 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 [ править ]

На первый взгляд, может показаться , CBR похожи на правила индукции алгоритмов [3] в машинном обучении . 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. [4]

Если, например, процедура для простых блинов сопоставлена ​​с черничными блинами, принимается решение использовать один и тот же основной 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 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 испытаний, 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. Это контрастирует с CBR, который откладывает (неявное) обобщение своих случаев до времени тестирования - стратегия ленивого обобщения. В примере с блинами CBR уже поставили задачу приготовить блины с черникой; таким образом, он может обобщить свои случаи точно так, как необходимо, чтобы охватить эту ситуацию.Таким образом, CBR 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 задержки, ограниченное знание будущего контекста, ограничение согласованного соглашения и т.д. первый более явно представляет собой интерполяцию основанных на правилах рассуждений и суждений, в то время как второй более тесно связан с воспоминаниями и процессами адаптации. Разница очевидна в их отношении к ошибкам и апелляционной жалобе.

Критика [ править ]

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 структуры и формализует вывод, основанный на конкретных случаях, как особый тип вероятностного вывода; таким образом, становится возможным производить предсказания на основе наблюдений с определенной степенью уверенности. [5] Одно из описаний разницы между CBR и индукцией из инстансов состоит в том, чтоСтатистический вывод направлен на выявление того, что делает дела похожими, в то время как ЦБ РФ стремится закодировать то, что достаточно для аналогичного утверждения. [6]

История [ править ]

CBR уходит своими корнями в работу Роджера Шенка и его студентов в Йельском университете в начале 1980-х годов. Модель динамической памяти Шенка [7] легла в основу самых ранних CBR-систем: CYRUS Джанет Колоднер [8] и IPP Майкла Лебовица. [9]

Другие школы CBR и тесно связанных областей возникли в 1980-х годах, которые были ориентированы на такие темы, как юридические рассуждения, рассуждения на основе памяти (способ рассуждений на примерах на массово параллельных машинах) и комбинации CBR с другими методами рассуждений. 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 европейских, немецких, британских, итальянских и других семинаров по CBR.

Технология CBR привела к развертыванию ряда успешных систем, самой ранней из которых была CLAVIER от Lockheed [10], система для раскладки композитных деталей, которые должны быть запечены в промышленной конвекционной печи. CBR широко использовалась в приложениях службы поддержки, таких как система Compaq SMART [11], и нашла важную область применения в науках о здоровье. [12]

См. Также [ править ]

  • Абдуктивное рассуждение
  • Утиный тест
  • Я знаю это, когда вижу это
  • Здравый смысл
  • Умышленное упущение
  • Древо решений
  • Генетический алгоритм
  • Сопоставление с образцом
  • Аналогия
  • K-line (искусственный интеллект)
  • Правила Ripple Down
  • Казуистика
  • Эвристика подобия

Ссылки [ править ]

  1. Перейти ↑ Weir, BS (1988). Труды Второй Международной конференции по количественной генетике (стр. 537). Sinauer Associates. ‌
  2. ^ Agnar Aamodt и Enric Plaza, " Case-Based Reasoning: Основополагающие вопросы, методологические вариации и системные подходы ," искусственный интеллект Коммуникации 7 (1994): 1, 39-52.
  3. ^ Алгоритмы индукции правил - это процедуры для изучения правил для данной концепции путем обобщения примеров этой концепции. Например, алгоритм индукции правил мог бы изучить правила образования множественного числа английских существительных из таких примеров, как собака / собаки , муха / муха и луч / лучи .
  4. ^ Рихтер, Майкл М .; Вебер, Розина О. (2013). Прецедентное рассуждение: учебник . Гейдельберг: Springer-Verlag . DOI : 10.1007 / 978-3-642-40167-1 . ISBN 9783642401664. OCLC  857646182 .
  5. ^ Эйке Хюллермайер. Приближенное рассуждение на основе случая . Springer-Verlag, Берлин, 2007.
  6. ^ Уилсон, Роберт Эндрю и Фрэнк К. Кейл, ред. Энциклопедия когнитивных наук Массачусетского технологического института. MIT press, 2001.
  7. ^ Роджер Шенк, Динамическая память: теория обучения на компьютерах и людях (Нью-Йорк: издательство Кембриджского университета, 1982).
  8. ^ Джанет Колоднер, " Восстановительная память: Компьютерная модель ," Cognitive Science 7 (1983): 4.
  9. ^ Майкл Lebowitz, " Память-Based Синтаксических архивации 2017-11-18 в Wayback Machine ," Искусственный интеллект 21 (1983), 363-404.
  10. ^ Билл Марк, «Обоснование случая для управления автоклавом», Труды семинара по рассуждению на основе случая (1989).
  11. ^ Трунг Нгуен, Мэри Червински и Дэн Ли, « COMPAQ QuickSource: предоставление потребителю возможностей искусственного интеллекта », в материалах пятой ежегодной конференции по инновационным приложениям искусственного интеллекта (Вашингтон, округ Колумбия: AAAI Press, 1993), 142-151.
  12. ^ Begum, S .; М. У Ахмед; П. Функ; Нин Сюн; М. Фольке (июль 2011 г.). «Системы рассуждений на основе случаев в науках о здоровье: обзор последних тенденций и разработок». Транзакции IEEE по системам, человеку и кибернетике - Часть C: Приложения и обзоры . 41 (4): 421–434. DOI : 10.1109 / TSMCC.2010.2071862 . ISSN 1094-6977 . 

Дальнейшее чтение [ править ]

  • 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., Гёкер, М., Манаго, М., Трафонер, Р., и Весс, С. Разработка приложений для обоснования аргументов на основе промышленных случаев: методология INRECA. Springer LNAI 1612, 2003 г.
  • Колоднер, Джанет. Рассуждения на основе прецедентов . 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: Труды 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 прецедентов: методы для корпоративных систем . Сан-Франциско: Морган Кауфманн, 1997.

Внешние ссылки [ править ]

  • GAIA - Группа приложений искусственного интеллекта

Более ранняя версия вышеупомянутой статьи была размещена на Nupedia .