Exemplarbasert

Exemplarbasert refererer til tilnærminger som baserer beslutninger på et lagret sett med eksempler (exemplars) i motsetning til å bygge en parametrisert modell. Begrepet brukes særlig i maskinlæring og kunstig intelligens og betegner minnebasert eller casebasert tenkning der et nytt tilfelle sammenlignes med tidligere observerte saker.

I maskinlæring er exemplarbaserte metoder ofte ikke-parametriske og lazy, hvilket betyr at inferens i sanntid bruker treningsdataene direkte. Den mest kjente metoden er k-nærmeste nabo (k-NN): et nytt tilfelle klassifiseres eller estimeres av de nærmeste eksemplarene, målt med en avstandsfunksjon.

Fordeler inkluderer enkel implementering, ingen eksplisitt treningsfase og god fleksibilitet for ikke-lineære beslutningsgrenser. Ulemper er høye minnekrav for å lagre data, potensiell stor beregningskostnad ved inferens, samt sårbarhet for støy og høy dimensjonalitet.

Varianter som kondensasjon og redigering prøver å redusere antallet eksempler uten vesentlig ytelsestap. Dette området er nært knyttet til case-based reasoning i kunstig intelligens, hvor løsninger hentes ved å finne lignende tidligere saker.

Anvendelser inkluderer bilde- og tekstklassifisering, mønstergjenkjenning, anbefalingssystemer og medisinske beslutningsstøttesystemer. Exemplarbaserte metoder skiller seg fra prototyper eller parametiske modeller ved at kun observerte tilfeller utgjør kunnskapsgrunnlaget.

Historisk sett har exemplarbaserte metoder vært blant de tidlige tilnærmingene innen maskinlæring og forblir relevante i situasjoner der data er rike eller raskt skifter.