उदाहरण-आधारित अधिगम, जिसे स्मृति-आधारित अधिगम भी कहा जाता है, मशीन अधिगम एल्गोरिदम का एक परिवार है जो नई समस्या उदाहरणों की तुलना स्मृति में संग्रहीत पहले देखे गए प्रशिक्षण उदाहरणों से करके भविष्यवाणियाँ करता है। चूँकि गणना तब तक स्थगित रहती है जब तक कोई नया उदाहरण नहीं देखा जाता, इन एल्गोरिदम को कभी-कभी 'आलसी' कहा जाता है। यह उत्सुक अधिगम विधियों के विपरीत है, जो प्रशिक्षण के दौरान एक सामान्यीकृत मॉडल बनाते हैं और फिर कच्चे डेटा को त्याग देते हैं।
इस दृष्टिकोण को उदाहरण-आधारित कहा जाता है क्योंकि यह प्रशिक्षण उदाहरणों से सीधे परिकल्पनाएँ बनाता है, न कि एक अलग फ़ंक्शन या नियम सेट प्राप्त करता है। यह पैटर्न पहचान और डेटा खनन जैसे क्षेत्रों में एक मुख्य तकनीक है, और यह कई व्यावहारिक प्रणालियों को रेखांकित करता है जहाँ प्रशिक्षण डेटा प्रचुर मात्रा में होता है लेकिन मॉडल व्याख्यात्मकता कम महत्वपूर्ण होती है।
विधि
उदाहरण-आधारित अधिगम एल्गोरिदम का एक उदाहरण k-निकटतम पड़ोसी (k-NN) एल्गोरिदम है। यह अपने प्रशिक्षण सेट का एक उपसमुच्चय संग्रहीत करता है; जब किसी नए उदाहरण के लिए मान या वर्ग की भविष्यवाणी करता है, तो यह इस उदाहरण और प्रशिक्षण उदाहरणों के बीच दूरियों या समानताओं की गणना करके निर्णय लेता है। वर्गीकरण के लिए, k निकटतम उदाहरणों को बहुमत मतदान या दूरी-भारित मतदान द्वारा जोड़ा जा सकता है; प्रतिगमन के लिए, उनके लक्ष्य मानों को माध्य या भारित माध्य द्वारा जोड़ा जा सकता है।
दूरी मीट्रिक और फीचर स्केलिंग का चुनाव बदल सकता है कि कौन से उदाहरण निकटतम के रूप में पहचाने जाते हैं। सामान्य मीट्रिक में यूक्लिडियन दूरी, मैनहट्टन दूरी, और मिन्कोव्स्की दूरी शामिल हैं, जो दोनों को सामान्यीकृत करती है। फीचर स्केलिंग, जैसे सामान्यीकरण या मानकीकरण, यह सुनिश्चित करती है कि बड़ी श्रेणियों वाले आयाम दूरी गणना पर हावी न हों। अन्य उदाहरण-आधारित विधियों में स्थानीय रूप से भारित प्रतिगमन, केस-आधारित तर्क, और पाठ्यक्रम अधिगम प्रकार शामिल हैं जो प्रशिक्षण उदाहरणों को कठिनाई के अनुसार व्यवस्थित करते हैं।
कम्प्यूटेशनल विशेषताएँ
परिकल्पना की जटिलता डेटा के साथ बढ़ सकती है। सबसे खराब स्थिति में, एक परिकल्पना n प्रशिक्षण वस्तुओं की एक सूची है, और एक नए उदाहरण को वर्गीकृत करने की कम्प्यूटेशनल जटिलता O(n) है यदि दो उदाहरणों की तुलना करने की लागत स्थिर मानी जाती है। गणना को स्थगित करने से प्रशिक्षण सस्ता हो जाता है लेकिन गणना को भविष्यवाणी समय पर स्थानांतरित कर देता है।
एक बुनियादी k-NN वर्गीकरणकर्ता के लिए सरल मिन्कोव्स्की दूरी का उपयोग करते हुए, d विशेषताओं द्वारा वर्णित n संग्रहीत नमूनों पर व्यापक खोज में O(dn) समय लगता है। एक संतुलित k-d पेड़ पुनर्प्राप्ति समय को O(d log n) तक कम कर सकता है, हालाँकि यह लाभ विशेषताओं की संख्या बढ़ने पर घट जाता है। उच्च-आयामी स्थानों में, 'आयामीता का अभिशाप' प्रदर्शन को ख़राब कर सकता है, क्योंकि दूरियाँ कम विभेदक हो जाती हैं। प्रशिक्षण उदाहरणों के लिए आवश्यक भंडारण और प्रशिक्षण सेट में शोर के प्रति संवेदनशीलता को कम करने के लिए, उदाहरण कमी एल्गोरिदम प्रस्तावित किए गए हैं, जैसे संघनित निकटतम पड़ोसी और संपादित निकटतम पड़ोसी, जो अनावश्यक या शोर वाले बिंदुओं को हटाते हैं।
अनुप्रयोग और प्रकार
उदाहरण-आधारित अधिगम व्यापक रूप से अनुशंसा प्रणालियों, चिकित्सा निदान, और विसंगति पहचान में उपयोग किया जाता है। कृत्रिम बुद्धिमत्ता अनुप्रयोगों में, यह गहन अधिगम नेटवर्क जैसे अधिक जटिल मॉडलों के मूल्यांकन के लिए एक आधार रेखा के रूप में कार्य करता है। प्रकारों में भारित k-NN शामिल है, जहाँ निकटतम पड़ोसियों का अधिक प्रभाव होता है, और प्रोटोटाइप-आधारित विधियाँ जो प्रशिक्षण डेटा को प्रतिनिधि उदाहरणों में समूहित करती हैं। बड़े पैमाने के डेटासेट के लिए, अनुमानित निकटतम पड़ोसी खोज तकनीकें, जैसे स्थानीयता-संवेदनशील हैशिंग, अक्सर पुनर्प्राप्ति को तेज करने के लिए नियोजित की जाती हैं।
अन्य अधिगम प्रतिमानों से संबंध
आधुनिक बड़े भाषा मॉडल में उपयोग किए जाने वाले तंत्रिका नेटवर्क या ट्रांसफार्मर के विपरीत, उदाहरण-आधारित विधियों को मापदंडों पर पुनरावृत्त अनुकूलन की आवश्यकता नहीं होती है। वे गैर-पैरामीट्रिक हैं, जिसका अर्थ है कि मॉडल जटिलता प्रशिक्षण उदाहरणों की संख्या के साथ बढ़ती है। यह उन्हें नए डेटा के साथ आसानी से अद्यतन करने योग्य बनाता है, लेकिन विशाल डेटासेट के लिए स्मृति-गहन बनाता है। इसके विपरीत, अवशिष्ट नेटवर्क या U-Net आर्किटेक्चर जैसी उत्सुक अधिगम विधियाँ जानकारी को निश्चित-आकार के मापदंडों में संपीड़ित करती हैं, जिससे अद्यतन के लिए पुनः प्रशिक्षण की लागत पर तेज़ अनुमान सक्षम होता है।
सीमाएँ और विस्तार
एक प्रमुख सीमा भविष्यवाणी समय पर कम्प्यूटेशनल लागत है, विशेष रूप से उच्च-आयामी डेटा के साथ। उदाहरण कमी और अनुक्रमण संरचनाएँ इसे कम करती हैं लेकिन ओवरहेड पेश करती हैं। अप्रासंगिक विशेषताओं और शोर के प्रति संवेदनशीलता को फीचर भारण या दूरी मीट्रिक अधिगम के माध्यम से संबोधित किया जा सकता है। डेटा संवर्धन जैसे विस्तार मजबूती में सुधार के लिए सिंथेटिक उदाहरण उत्पन्न कर सकते हैं। व्यवहार में, उदाहरण-आधारित अधिगम छोटे से मध्यम आकार के डेटासेट और उन समस्याओं के लिए एक मूल्यवान उपकरण बना हुआ है जहाँ व्याख्यात्मकता और वृद्धिशील अधिगम प्राथमिकताएँ हैं।