支持抽象论辩的基于案例推理-计算机科学-机器学习-案例推理.pdfVIP

支持抽象论辩的基于案例推理

1,∗11

AdamGould,GabrieldeOlimGaulandFrancescaToni

1DepartmentofComputing,ImperialCollegeLondon,UK

Abstract

我们引入了支持抽象论证的基于案例推理（sAA-CBR），这是一个二元分类模型，在该模型中，过去的情况通过争论支

持它们的标签，并攻击或支持那些持有相反或相同标签的观点。在有支持的情况下，sAA-CBR克服了其前身AA-CBR

的局限性，后者可能包含不参与辩论的额外案例（或尖峰）。我们证明了sAA-CBR不含尖峰，同时没有牺牲关键模

型属性。

Keywords

计算论证,案例推理,机器学习,

基于案例的推理中的抽象论证（AA-CBR）[1]已被证明是一个有效且可解释的二元分类

模型[2,3,4]。在AA-CBR中，每个过去案例论证都支持其标签，并攻击对立标签的那些。然

而，AA-CBR将攻击限制为最小差异的案例之间，这可能导致尖峰[5]，这些案例对新案例的

本分类没有贡献因素。为了解决这个问题，我们引入了支持的AA-CBR(sAA-CBR)，它在具有相

同标签的案例之间添加了支持关系。

译在sAA-CBR（类似于AA-CBR）中，标记的（过去的）案例形成一个案例库，可以用来辩

中论未标记的新案件的结果。未标记的案例攻击被认为与它相关的无关紧要的所有案例。然后

我们可以应用论证语义学[6,7]来确定哪些论点被接受或拒绝。辩论从一个默认参数开始，

1该论证主张新案件的默认预期结果。如果默认论点被接受，则模型将新案件归类为这一结

v

4果，否则将其分配给对立的结果[1]。

9为了确定攻击和支持的方向，sAA-CBR必须在案例库上定义一个偏序关系，从而确定

9例外性的概念：更异常的案例攻击或支持较少异常的案例。对攻击和支持施加的一个极小性

4约束确保了案例仅与最相似的案例相关，并且不存在多余的关联关系。1

0

.考虑对患者饮食的简单评估。设特征,,,代表每天吃五种水果，超过每日推荐卡

7路里摄入量，每天饮用≥8杯水以及频繁食用高脂肪食物。对于新患者来说，他表现出

0

5所有这些特征，不清楚其饮食是否健康(+)或不健康(−)。默认情况下，预期患者有不健康

2的饮食；这一默认情况用没有特征的情况表示：(∅,−)。使用四个先前观察到的患者的已知

:结果，我们可以讨论未标记患者的结局。图1展示了AA-CBR（图1a）和sAA-CBR（图1b）

v

i模型