minnebaserte

Minnebaserte metoder er et norsk begrep som brukes for å beskrive metoder, systemer eller modeller som er basert på lagret minne, tidligere data eller erfaringer når de utfører oppgaver som klassifisering, planlegging, henting av informasjon eller beslutningstaking. Begrepet brukes i flere felt, blant annet kunstig intelligens, dataanalyse og kognitiv vitenskap.

I kunstig intelligens og maskinlæring omfatter minnebaserte tilnærminger instansbasert læring som k-nærmeste naboer (kNN), minnebasert resonnement og gjenfiningsbaserte modeller som henter fra et bibliotek av tidligere saker eller dokumenter for å generere resultater. Innen informasjonsgjenfinning og anbefalingssystemer brukes minnebasert kollaborativ filtrering til å foreslå produkter eller innhold ved å sammenligne aktive brukere med mønstre funnet i historiske data.

I kognitiv vitenskap beskriver minnebaserte modeller hvordan mennesker ofte løser problemer ved å hente og tilpasse tidligere erfaringer, med episodisk og semantisk minne som viktige komponenter. Dette rammeverket understreker betydningen av hukommelseshenting i beslutningstaking.

Viktige kjennetegn ved minnebaserte metoder er evnen til å bruke empiriske data direkte, relativt enkle algoritmiske strukturer og mulighet for å tolkes ved presentasjon av konkrete eksempler. De er ofte tilpassbare og effektive ved ny data, men krever store lagringsressurser, har potensial for høy latenstid ved henting og kan være sensitive for støy, outliers og skjevheter i data. Generalisering til helt nye situasjoner avhenger av representativiteten til de lagrede sakene.

Minnebaserte tilnærminger står ofte i kontrast til regelbaserte metoder, som utleder atferd fra forhåndsdefinerte regler heller enn fra lagrede eksempler. Etymologien peker på at ordet stammer fra minne og basert.