Aprendizagem baseada em explicação (EBL, do inglês explanation-based learning) é uma forma de aprendizado de máquina que explora uma teoria de domínio muito forte, ou mesmo perfeita - uma teoria formal de um domínio de aplicação, semelhante a um modelo de domínio em engenharia de ontologias - a fim de fazer generalizações ou formar conceitos a partir de exemplos de treinamento. Diferentemente de métodos empíricos que exigem muitos exemplos, a EBL pode generalizar a partir de um único exemplo, usando a teoria de domínio para explicar por que o exemplo é um membro de um conceito. Essa explicação é então compilada em uma regra reutilizável, ou macro, que acelera o raciocínio futuro. A EBL também está ligada à codificação na memória para auxiliar no aprendizado, pois as generalizações derivadas são armazenadas para recuperação eficiente.
A abordagem baseia-se na ideia de que uma teoria de domínio completa contém, em princípio, toda a informação necessária para decidir qualquer questão sobre o domínio. Por exemplo, as regras do xadrez formam uma teoria de domínio perfeita para o xadrez, permitindo deduzir o melhor movimento em qualquer posição, embora na prática isso seja intratável devido à explosão combinatória. A EBL usa exemplos de treinamento para guiar a busca por consequências dedutivas, tornando o processo eficiente na prática.
Formulação Básica
Um sistema EBL recebe quatro entradas: um espaço de hipóteses (o conjunto de todas as conclusões possíveis), uma teoria de domínio (axiomas sobre o domínio de interesse), exemplos de treinamento (fatos específicos que descartam algumas hipóteses) e critérios de operacionalidade (critérios para determinar quais características são eficientemente reconhecíveis, como aquelas diretamente detectáveis por sensores). O sistema funciona encontrando uma prova curta de cada exemplo de treinamento a partir da teoria de domínio e, em seguida, generalizando essa prova em uma regra que pode ser aplicada para classificar exemplos futuros semelhantes rapidamente. Esse processo estende o banco de dados da teoria de domínio, permitindo uma classificação mais rápida de instâncias relacionadas.
A principal desvantagem da EBL é o problema de utilidade, analisado pela primeira vez por Minton: à medida que o número de macros de prova aprendidos cresce, o custo de aplicá-los pode superar seus benefícios. Essa questão tem impulsionado refinamentos na forma como as regras aprendidas são selecionadas e usadas.
Aplicação em Processamento de Linguagem Natural
Um domínio de aplicação especialmente bom para a EBL é o processamento de linguagem natural (PLN). Aqui, uma teoria de domínio rica - como uma gramática de linguagem natural - não é perfeita nem completa, mas pode ser ajustada a uma aplicação específica ou ao uso da língua usando um treebank como exemplos de treinamento. Rayner foi pioneiro nesse trabalho, e a primeira aplicação industrial bem-sucedida foi em uma interface de linguagem natural comercial para bancos de dados relacionais. O método foi aplicado com sucesso a vários sistemas de análise sintática de linguagem natural em larga escala, onde o problema de utilidade foi resolvido omitindo a gramática original (teoria de domínio) e usando técnicas especializadas de análise LR, resultando em grandes ganhos de velocidade com um custo em cobertura, mas com um ganho em desambiguação.
Ao aplicar EBL ao PLN, os critérios de operacionalidade podem ser elaborados manualmente ou inferidos do treebank usando a entropia de seus nós-ou ou um alvo de cobertura/desambiguação (equivalente ao trade-off recall/precisão ou f-score). A EBL também pode ser usada para compilar modelos de linguagem baseados em gramática para reconhecimento de fala a partir de gramáticas de unificação gerais. O problema de utilidade foi resolvido descartando a gramática original, e os artigos citados tendem a conter a frase "especialização de gramática" - bastante oposta ao termo original "generalização baseada em explicação". Talvez o melhor nome para essa técnica fosse redução de espaço de busca orientada por dados.
Outros pesquisadores que trabalharam com EBL para PLN incluem Guenther Neumann, Aravind Joshi, Srinivas Bangalore e Khalil Sima'an. Técnicas semelhantes à EBL também foram aplicadas à geração de superfície, o inverso da análise sintática.
Relação com Outros Paradigmas de Aprendizado
A EBL contrasta com métodos de aprendizado empírico ou indutivo, como os usados em aprendizado de máquina e aprendizado profundo, que exigem grandes conjuntos de dados para generalizar. Enquanto abordagens de redes neurais como modelos transformadores em sistemas de modelos de linguagem de grande escala aprendem padrões estatísticos de corpora massivos, a EBL aproveita conhecimento simbólico explícito. Isso torna a EBL particularmente adequada para domínios onde existe uma teoria forte, mas os dados são escassos. No entanto, a dependência da EBL em uma teoria de domínio perfeita ou quase perfeita limita sua aplicabilidade a domínios bem compreendidos, enquanto métodos estatísticos podem lidar com problemas ruidosos ou mal compreendidos.
Em visão computacional, a EBL está relacionada ao aprendizado de um único exemplo (one-shot learning), onde um modelo aprende a partir de um único exemplo, mas a EBL requer uma teoria de domínio para explicar o exemplo, enquanto o aprendizado de um único exemplo frequentemente usa conhecimento prévio de tarefas relacionadas. O aprendizado zero-shot, que classifica categorias não vistas sem exemplos, também compartilha semelhanças conceituais, mas tipicamente usa embeddings semânticos em vez de provas dedutivas.
Limitações e Extensões
A principal limitação da EBL é o problema de utilidade, onde a sobrecarga de armazenar e combinar regras aprendidas pode degradar o desempenho. A análise de Minton mostrou que o custo de aplicar macros de prova aprendidos pode se tornar proibitivo à medida que eles se acumulam. Soluções incluem a retenção seletiva de regras úteis, como visto em aplicações de PLN que descartam a gramática original. Extensões da EBL exploraram sua combinação com métodos indutivos, como usar EBL para guiar a busca em aprendizado curricular ou para refinar estratégias de aumento de dados. Na pesquisa em inteligência artificial, a EBL influenciou o trabalho sobre generalização baseada em explicação em planejamento e diagnóstico, embora os sistemas modernos de IA generativa dependam principalmente de aprendizado estatístico.
Ver Também
- Aprendizado de um único exemplo em visão computacional
- Aprendizado zero-shot
- Aprendizado de máquina
- Inteligência artificial