Aprendizaje basado en explicaciones

El aprendizaje basado en explicaciones ( EBL ) es una forma de aprendizaje automático que aprovecha una teoría de dominio muy sólida, o incluso perfecta (es decir, una teoría formal de un dominio de aplicación similar a un modelo de dominio en ingeniería de ontologías , que no debe confundirse con la teoría de dominio de Scott ) para realizar generalizaciones o formar conceptos a partir de ejemplos de entrenamiento. ^{[ 1 ]} También está vinculado con la codificación (memoria) para facilitar el aprendizaje . ^{[ 2 ]}

Un ejemplo de EBL que utiliza una teoría de dominio perfecto es un programa que aprende a jugar ajedrez mediante ejemplos. Una posición específica de ajedrez que contiene una característica importante, como "Pérdida forzada de la dama negra en dos movimientos", incluye muchas características irrelevantes, como la dispersión específica de los peones en el tablero. EBL puede tomar un único ejemplo de entrenamiento y determinar cuáles son las características relevantes para formar una generalización. ^{[ 3 ]}

Una teoría de dominio es perfecta o completa si contiene, en principio, toda la información necesaria para resolver cualquier cuestión relacionada con dicho dominio. Por ejemplo, la teoría de dominio del ajedrez se reduce a las reglas del ajedrez . Conociendo las reglas, en principio, es posible deducir la mejor jugada en cualquier situación. Sin embargo, en la práctica, realizar tal deducción resulta imposible debido a la explosión combinatoria . El aprendizaje basado en ejemplos (EBL) utiliza ejemplos de entrenamiento para optimizar la búsqueda de consecuencias deductivas de una teoría de dominio en la práctica.

En esencia, un sistema EBL funciona encontrando una manera de deducir cada ejemplo de entrenamiento a partir de la base de datos existente de teoría del dominio del sistema. Tener una demostración breve del ejemplo de entrenamiento amplía la base de datos de teoría del dominio, lo que permite al sistema EBL encontrar y clasificar rápidamente ejemplos futuros similares al ejemplo de entrenamiento. ^{[ 4 ]} El principal inconveniente del método —el costo de aplicar las macros de demostración aprendidas, a medida que estas se vuelven numerosas— fue analizado por Minton. ^{[ 5 ]}

Un dominio de aplicación especialmente bueno para un EBL es el procesamiento del lenguaje natural (PLN). Aquí, una rica teoría de dominio, es decir, una gramática del lenguaje natural —aunque no perfecta ni completa— se ajusta a una aplicación o uso del lenguaje particular, utilizando un banco de árboles (ejemplos de entrenamiento). Rayner fue pionero en este trabajo. ^{[ 7 ]} La primera aplicación industrial exitosa fue a una interfaz comercial de NL para bases de datos relacionales. ^{[ 8 ]} El método se ha aplicado con éxito a varios sistemas de análisis sintáctico del lenguaje natural a gran escala, ^{[ 9 ]} donde el problema de utilidad se resolvió omitiendo la gramática original (teoría de dominio) y utilizando técnicas especializadas de análisis sintáctico LR, lo que resultó en enormes aumentos de velocidad, a costa de la cobertura, pero con una ganancia en la desambiguación. Las técnicas similares a EBL también se han aplicado a la generación de superficies, el inverso del análisis sintáctico. ^{[ 10 ]}

Al aplicar EBL al PLN, los criterios de operacionalidad pueden ser elaborados manualmente, ^{[ 11 ]} o pueden ser inferidos del banco de árboles utilizando la entropía de sus nodos or ^{[ 12 ]} o una compensación de cobertura/desambiguación objetivo (= compensación de recuperación/precisión = puntuación f). ^{[ 13 ]} EBL también puede usarse para compilar modelos de lenguaje basados ​​en gramáticas para el reconocimiento de voz , a partir de gramáticas de unificación generales. ^{[ 14 ]} Nótese cómo el problema de utilidad, expuesto por primera vez por Minton, fue resuelto descartando la teoría original de gramática/dominio, y que los artículos citados tienden a contener la frase especialización de gramática , todo lo contrario del término original generalización basada en explicaciones. Quizás el mejor nombre para esta técnica sería reducción del espacio de búsqueda impulsada por datos. Otras personas que trabajaron en EBL para PLN incluyen a Guenther Neumann, Aravind Joshi, Srinivas Bangalore y Khalil Sima'an .

• Aprendizaje de una sola vez en visión artificial
• Aprendizaje de cero disparos