事例に基づく推論

CBRメモリのモデルを上から順に、カテゴリメモリ、単純メモリ、動的メモリとする。

事例ベース推論（CBR）は、広義には、類似の過去の問題の解決に基づいて新しい問題を解決するプロセスである。^{[ 1 ] [ 2 ]}

日常生活において、同様の症状を示した別の車の情報をもとにエンジンを修理する自動車整備士は、事例に基づく推論を用いている。判例に基づいて裁判で特定の判決を主張する弁護士や、判例法を制定する裁判官も、事例に基づく推論を用いている。同様に、自然界の仕組みを模倣するエンジニア（バイオミミクリーを実践する者）も、自然を問題解決のためのデータベースとして扱っている。事例に基づく推論は、類推による問題解決手法の中でも特に重要なタイプである。

事例に基づく推論は、コンピュータによる推論において強力な手法であるだけでなく、人間の日常的な問題解決においても広く見られる行動である、あるいは、より根本的には、すべての推論は個人的に経験した過去の事例に基づいている、という主張がなされてきた。この見解は、認知科学において最も深く研究されているプロトタイプ理論と関連している。

事例ベース推論は、コンピュータ推論の目的で、4つのステップのプロセスとして形式化されています。^{[ 3 ]}

1. 検索：対象となる問題が与えられた場合、その問題を解決するために関連のある事例を記憶から検索します。事例は、問題、その解決策、そして通常は解決策がどのように導き出されたかに関する注釈で構成されます。たとえば、フレッドがブルーベリーパンケーキを作りたいとします。料理初心者である彼が思い出せる最も関連のある経験は、プレーンパンケーキをうまく作った経験です。プレーンパンケーキを作るために彼が従った手順と、その過程で下した決定の根拠が、フレッドの検索事例となります。
2. 再利用：前のケースの解決策を、対象となる問題にマッピングします。これには、新しい状況に合わせて必要に応じて解決策を修正することが含まれる場合があります。パンケーキの例では、フレッドはブルーベリーを追加するように、取得した解決策を修正する必要があります。
3. 修正：以前の解決策を目標とする状況に当てはめたら、新しい解決策を現実世界（またはシミュレーション）でテストし、必要に応じて修正します。たとえば、フレッドがパンケーキの生地にブルーベリーを加えることで解決策を改良したとします。混ぜた後、生地が青色に変色している​​ことに気づきました。これは望ましくない結果です。このことから、次のような修正が考えられます。生地をフライパンに流し込んだ後までブルーベリーを加えるのを遅らせる。
4. 保持：解決策が対象となる問題にうまく適用されたら、その結果得られた経験を新しい事例として記憶に保存します。フレッドは、ブルーベリーパンケーキの作り方に関する新しい手順を記録し、それによって記憶されている経験のセットを充実させ、将来のパンケーキ作りの要求によりよく備えることができるようになります。

一見すると、CBRは機械学習のルール誘導アルゴリズム^{[注1 ]}に似ているように見えるかもしれません。ルール誘導アルゴリズムと同様に、CBRは一連の事例または訓練例から始まり、取得された事例と対象の問題との共通点を特定することによって、これらの例の一般化（ただし暗黙的なもの）を形成します。^{[ 4 ]}

例えば、プレーンパンケーキの手順をブルーベリーパンケーキにマッピングする場合、同じ基本的な生地と揚げ方を使用するという決定がなされ、それによって生地と揚げ方が使用できる状況のセットが暗黙的に一般化されます。しかし、CBRにおける暗黙的な一般化とルール誘導における一般化の重要な違いは、一般化が行われるタイミングにあります。ルール誘導アルゴリズムは、対象となる問題が知られる前に、一連のトレーニング例から一般化を引き出し、つまり、積極的な一般化を実行します。

例えば、ルール誘導アルゴリズムにプレーンパンケーキ、ダッチアップルパンケーキ、バナナパンケーキのレシピを訓練例として与えた場合、訓練時にすべての種類のパンケーキを作るための一般的なルールセットを導き出す必要があります。ブルーベリーパンケーキを作るというタスクが与えられるのは、テスト時になってからです。ルール誘導アルゴリズムの難しさは、訓練例を一般化しようとするさまざまな方向を予測することにあります。これは、事例の（暗黙的な）一般化をテスト時まで遅らせるCBR（事例ベース推論）とは対照的です。CBRは、怠惰な一般化戦略を採用しています。パンケーキの例では、CBRにはすでにブルーベリーパンケーキを作るという目標問題が与えられているため、この状況をカバーするために必要なとおりに事例を一般化できます。したがって、CBRは、事例を一般化する方法が無数に存在する、豊かで複雑なドメインに適したアプローチと言えます。

法律においては、規則に基づく推論の限界（遅延の制限、将来の状況に関する知識の限界、交渉による合意の限界など）を認識し、CBR（認知に基づく推論）を裁判所に明示的に委任することがしばしばある。法律におけるCBRと認知的に着想を得たCBRは長らく関連付けられてきたが、前者は規則に基づく推論と判断のより明確な挿入であるのに対し、後者は想起とプロセス適応により密接に結びついている。両者の違いは、誤りや上訴審査に対する姿勢に明確に表れている。

問題解決における事例に基づく推論の別の名称は、症状に基づく戦略です。これは、症状と原因の関連性を確立した過去の経験から得られる事前のドメイン知識を必要とします。この知識は、浅い、コンパイルされた、証拠に基づく、歴史に基づく知識、および事例に基づく知識と呼ばれます。これは、専門家による診断に最も関連付けられている戦略です。問題の診断は、症状が適切な状況カテゴリを喚起する迅速な認識プロセスとして発生します。^{[ 5 ]}専門家は、以前に同様のケースに遭遇したことにより原因を知っています。事例に基づく推論は最も強力な戦略であり、最も一般的に使用されています。ただし、この戦略は、真に新しい問題や、何が起こっているのかについてのより深い理解が求められる場合には、単独では機能しません。

問題解決の代替アプローチとして、深層推論の範疇に属する地形的戦略がある。深層推論では、システムの深い知識が用いられる。この文脈における地形とは、構造化された実体の記述または分析であり、その要素間の関係を示すものである。^{[ 6 ]}

^第一原理からの推論としても知られる深層推論は、経験に基づくアプローチが有効でない場合に、新しい障害に適用されます。したがって、地形的戦略は、おそらく第一原理の知識を使用して、システムのより根本的な理解から開発された事前のドメイン知識にリンクされています。このような知識は、深層知識、因果知識、またはモデルベースの知識と呼ばれます。^{[ 8 ]} HocとCarlier ^{[ 9 ]}は、症状はさまざまな用語で定義できるため、症状アプローチは地形的アプローチによってサポートされる必要があるかもしれないと指摘しました。逆もまた真です。浅層推論は、地形的探索において、因果仮説を生成するためにアブダクション的に、それらの仮説を評価するために演繹的に使用できます。

CBR（事例推論）の批判者たちは、CBRは逸話的な証拠を主要な運用原理として受け入れているアプローチだと主張する。統計的に有意なデータによる裏付けや暗黙の一般化がなければ、その一般化が正しいという保証はない。しかし、統計的に有意なデータが得られない帰納的推論はすべて、本質的に逸話的な証拠に基づいている。

CBRの起源は、1980年代初頭のイェール大学のロジャー・シャンクとその学生たちの研究に遡ります。シャンクの動的メモリのモデル^{[ 10 ]}は、初期のCBRシステムであるジャネット・コロドナーのCYRUS ^{[ 11 ]}とマイケル・レボウィッツのIPP ^{[ 12 ]}の基礎となりました。

1980年代には、CBR（事例ベース推論）および密接に関連する分野の他の学派が登場し、法的推論、メモリベース推論（大規模並列マシン上で事例から推論する方法）、CBRと他の推論手法の組み合わせといったテーマに取り組んだ。1990年代には、CBRへの関心が国際的に高まり、1995年には国際事例ベース推論会議が開催されたほか、ヨーロッパ、ドイツ、イギリス、イタリアなどでCBRワークショップが開催された。

CBR技術は、数々の成功したシステムの展開につながっており、最も初期のものはロッキード社のCLAVIER ^{[ 13 ]で、工業用対流オーブンで焼成する複合材部品の配置システムです。CBRはCompaq SMARTシステム[ 14 ]}などのアプリケーションで広く使用されており、健康科学^{[ 15 ]}や構造安全管理において主要な応用分野を見出しています。

最近の研究では、統計的枠組みの中でCBRを発展させ、事例ベース推論を特定のタイプの確率的推論として形式化している。そのため、一定の信頼度を備えた事例ベース予測を生成することが可能になる。^{[ 16 ]} CBRと事例からの帰納の違いを説明する一つの方法は、統計的推論は事例を類似させる傾向のあるものを見つけることを目的としているのに対し、CBRは類似していると主張するのに十分なものを符号化することを目的としている、というものである。^{[ 17 ]}

• AIアライメント
• 人工知能検出ソフトウェア
• アブダクション推論
• アヒルテスト
• 見ればわかる
• 常識的な推論
• 意図的な省略
• 決定木
• 遺伝的アルゴリズム
• パターンマッチング
• 類推
• Kライン（人工知能）
• 波及効果ルール
• 事例研究
• 類似性ヒューリスティック

• Aamodt、Agnar、およびEnric Plaza。「事例ベース推論：基礎的な問題、方法論のバリエーション、およびシステムアプローチ」人工知能コミュニケーションズ7、1号（1994）：39-52。
• Althoff, Klaus-Dieter、Ralph Bergmann、L. Karl Branting 編『事例ベース推論の研究開発：第 3 回国際事例ベース推論会議議事録』ベルリン：Springer Verlag、1999 年。
• Bergmann, Ralph 『エクスペリエンスマネジメント：基礎、開発方法論、およびインターネットベースのアプリケーション』Springer、LNAI 2432、2002年。
• Bergmann, R.、Althoff, K.-D.、Breen, S.、Göker, M.、Manago, M.、Traphöner, R.、Wess, S.「産業事例ベース推論アプリケーションの開発：INRECA手法」 Springer LNAI 1612、2003年。
• コロドナー、ジャネット。『事例に基づく推論』サンマテオ：モーガン・カウフマン、1993年。
• Leake, David.「CBRの文脈：現在と未来」、Leake, D.編『事例ベース推論：経験、教訓、そして将来の方向性』AAAI Press/MIT Press、1996年、1-30頁。
• リーク、デイビッド、エンリック・プラザ編『事例ベース推論の研究開発：第2回事例ベース推論国際会議議事録』ベルリン：シュプリンガー・フェルラーク、1997年。
• Lenz, Mario; Bartsch-Spörl, Brigitte; Burkhard, Hans-Dieter; Wess, Stefan 編 (1998).事例ベース推論技術：基礎から応用まで. 人工知能講義ノート. 第 1400 巻. Springer. doi : 10.1007/3-540-69351-3 . ISBN 978-3-540-64572-6. S2CID 10517603 . 
• オックスマン、リヴカ。「デザインにおける先例：先例知識の組織化のための計算モデル」、デザイン研究、第15巻、第2号、 141～157ページ
• リースベック、クリストファー、ロジャー・シャンク。『事例ベース推論の内側』。ノースベール、ニュージャージー州：アールバウム、1989年。
• Veloso, Manuela、および Agnar Aamodt 編著。「事例ベース推論の研究開発：第 1 回国際事例ベース推論会議議事録」。ベルリン：Springer Verlag、1995 年。
• ワトソン、イアン。『事例ベース推論の応用：エンタープライズシステムのための技術』サンフランシスコ：モーガン・カウフマン、1997年。https ://a.co/d/g84Vai9

• GAIA – 人工知能アプリケーション群

上記記事の以前のバージョンはNupediaに掲載されていました。