Minnebasert

Minnebasert, eller memory-based, beskriver en gruppe metoder innen kunstig intelligens og maskinlæring som i hovedsak bygger beslutninger på lagrede eksempler i stedet for å lære en generell modell. Ved prosessering av et nytt innspill sammenlignes dette innspillet med eksisterende observasjoner, og beslutningen tas ut fra likhet eller avstand til de lagrede exemplene.

Hovedideen er lazy learning: det skjer lite eller ingen forhåndstrening av en generell funksjon. Vanlige teknikker inkluderer k-nearest neighbors (k-NN), case-based reasoning og exemplar-basert læring, hvor løsninger hentes fra de mest lignende tidligere saker.

Fordeler og ulemper: metoder er ofte enkle å implementere, trenger lite forhånds tilbakemelding og kan tilpasse seg ny data ved å legge til flere eksempler. Ulempene inkluderer at lagringsbehovet kan være betydelig, prediksjonstid og beregningskrav øker med antall eksempler, og ytelsen kan være dårlig ved høy dimensjonalitet eller når mange irrelevante egenskaper er til stede.

Anvendelser og relevans: minnebaserte metoder brukes i mønstergjenkjenning, tekst- og bildeklassifisering under små datasett, og i systemer som krever transparens og forklarbarhet i beslutningene. Til tross for suksessen til dyp læring, forblir minnebasert læring aktuelt i scenarioer med begrensede data, behov for rask tilpasning eller der det er viktig å kunne peke til konkrete eksempler.