[论文解读] Integrating Case-Based and Rule-Based Reasoning: the Possibilistic Connection

Soumitra Dutta, Piero P. Bonissone|arXiv (Cornell University)|Mar 27, 2013

AI-based Problem Solving and Planning参考文献 17被引用 30

一句话总结

本文提出了一种基于可能性逻辑的案例推理（CBR）与规则推理（RBR）无缝集成方法，利用相似性作为距离的补充，并在RBR中利用相似性的传递性。该方法在不修改现有RBR推理引擎的前提下，实现了复杂领域中紧凑、统一的推理，已在金融并购原型系统（MARS）中得到验证，显著提升了对不确定性和近似推理的处理能力。

ABSTRACT

Rule based reasoning (RBR) and case based reasoning (CBR) have emerged as two important and complementary reasoning methodologies in artificial intelligence (Al). For problem solving in complex, real world situations, it is useful to integrate RBR and CBR. This paper presents an approach to achieve a compact and seamless integration of RBR and CBR within the base architecture of rules. The paper focuses on the possibilistic nature of the approximate reasoning methodology common to both CBR and RBR. In CBR, the concept of similarity is casted as the complement of the distance between cases. In RBR the transitivity of similarity is the basis for the approximate deductions based on the generalized modus ponens. It is shown that the integration of CBR and RBR is possible without altering the inference engine of RBR. This integration is illustrated in the financial domain of mergers and acquisitions. These ideas have been implemented in a prototype system called MARS.

研究动机与目标

• 解决孤立的CBR与RBR在复杂、不确定的现实问题求解中的局限性。
• 开发一种统一的推理框架，保留规则推理系统的推理引擎，同时融入案例推理的相似性。
• 利用可能性逻辑形式化CBR基于相似性的检索与RBR广义假言推理之间的联系。
• 在实际金融领域——并购中，展示该集成方法的可行性和有效性。
• 在原型系统MARS中实现并评估该方法，展示其在不确定性下推理能力的提升。

提出的方法

• 使用可能性逻辑对CBR与RBR中的不确定性进行建模，实现共享的形式化基础。
• 将案例相似性表示为距离的补集，并嵌入可能性分布框架中。
• 通过广义假言推理在RBR中应用相似性的传递性，使其与CBR的相似性逻辑保持一致。
• 将CBR检索结果映射为与RBR推理规则兼容的可能性分布。
• 在不修改的前提下重用现有的RBR推理引擎，确保向后兼容性。
• 在MARS中实现集成系统，该系统是金融并购决策支持的原型。

实验结果

研究问题

• RQ1 如何在统一的不确定性管理框架下，正式统一案例推理与规则推理？
• RQ2 能否利用可能性逻辑将RBR中的相似性传递性与CBR中的基于距离的相似性对齐？
• RQ3 是否可能在不修改底层RBR推理引擎的前提下，将CBR集成到RBR中？
• RQ4 该集成系统在处理现实世界领域中的不确定性和近似推理时表现如何？
• RQ5 在并购等复杂决策场景中，该集成的实际优势是什么？

主要发现

• 该集成在不修改RBR推理引擎的前提下完成，保持了系统的兼容性。
• 可能性逻辑为统一CBR中的相似性与RBR中的近似演绎提供了一个自然的框架。
• 该方法通过使用可能性分布对案例相似性和基于规则的推理进行建模，实现了紧凑、无缝的推理。
• 原型系统MARS成功地将在金融并购领域应用了该集成方法。
• 该框架通过结合历史案例模式与基于规则的泛化，增强了不确定性下的推理能力。