Aprendizado baseado em instâncias, também chamado de aprendizado baseado em memória, é uma família de algoritmos de aprendizado de máquina que fazem previsões comparando novas instâncias de problemas com instâncias de treinamento previamente vistas, armazenadas na memória. Como o cálculo é adiado até que uma nova instância seja observada, esses algoritmos às vezes são chamados de "preguiçosos". Isso contrasta com métodos de aprendizado "ansiosos", que constroem um modelo generalizado durante o treinamento e depois descartam os dados brutos.
A abordagem é chamada de baseada em instâncias porque constrói hipóteses diretamente das próprias instâncias de treinamento, em vez de derivar uma função separada ou um conjunto de regras. É uma técnica central em campos como reconhecimento de padrões e mineração de dados, e sustenta muitos sistemas práticos onde os dados de treinamento são abundantes, mas a interpretabilidade do modelo é menos crítica.
Método
Um exemplo de algoritmo de aprendizado baseado em instâncias é o algoritmo dos k-vizinhos mais próximos (k-NN). Ele armazena um subconjunto de seu conjunto de treinamento; ao prever um valor ou classe para uma nova instância, calcula distâncias ou similaridades entre essa instância e as instâncias de treinamento para tomar uma decisão. Para classificação, as k instâncias mais próximas podem ser combinadas por votação majoritária ou votação ponderada por distância; para regressão, seus valores-alvo podem ser combinados por uma média ou média ponderada.
A escolha da métrica de distância e do escalonamento de características pode alterar quais instâncias são identificadas como mais próximas. Métricas comuns incluem distância euclidiana, distância de Manhattan e distância de Minkowski, que generaliza ambas. O escalonamento de características, como normalização ou padronização, garante que dimensões com intervalos maiores não dominem o cálculo da distância. Outros métodos baseados em instâncias incluem regressão localmente ponderada, raciocínio baseado em casos e variantes de aprendizado curricular que organizam exemplos de treinamento por dificuldade.
Características Computacionais
A complexidade da hipótese pode crescer com os dados. No pior caso, uma hipótese é uma lista de n itens de treinamento, e a complexidade computacional de classificar uma única nova instância é O(n) se o custo de comparar duas instâncias for tratado como constante. Adiar o cálculo torna o treinamento barato, mas transfere o cálculo para o momento da previsão.
Para um classificador k-NN básico usando uma distância de Minkowski simples, a busca exaustiva sobre n amostras armazenadas descritas por d características leva O(dn) tempo. Uma árvore k-d balanceada pode reduzir o tempo de recuperação para O(d log n), embora essa vantagem diminua à medida que o número de características cresce. Em espaços de alta dimensão, a "maldição da dimensionalidade" pode degradar o desempenho, pois as distâncias se tornam menos discriminativas. Para reduzir o armazenamento necessário para instâncias de treinamento e a sensibilidade a ruídos no conjunto de treinamento, algoritmos de redução de instâncias foram propostos, como o vizinho mais próximo condensado e o vizinho mais próximo editado, que removem pontos redundantes ou ruidosos.
Aplicações e Variantes
O aprendizado baseado em instâncias é amplamente usado em sistemas de recomendação, diagnóstico médico e detecção de anomalias. Em aplicações de inteligência artificial, serve como uma linha de base para avaliar modelos mais complexos, como redes de aprendizado profundo. Variantes incluem k-NN ponderado, onde vizinhos mais próximos têm maior influência, e métodos baseados em protótipos que agrupam dados de treinamento em exemplares representativos. Para conjuntos de dados em grande escala, técnicas de busca aproximada do vizinho mais próximo, como hashing sensível à localidade, são frequentemente empregadas para acelerar a recuperação.
Relação com Outros Paradigmas de Aprendizado
Ao contrário de redes neurais ou transformadores usados em grandes modelos de linguagem modernos, os métodos baseados em instâncias não exigem otimização iterativa de parâmetros. Eles são não paramétricos, o que significa que a complexidade do modelo cresce com o número de instâncias de treinamento. Isso os torna fáceis de atualizar com novos dados, mas intensivos em memória para conjuntos de dados massivos. Em contraste, métodos de aprendizado "ansiosos", como redes residuais ou arquiteturas U-Net, comprimem informações em parâmetros de tamanho fixo, permitindo inferência mais rápida ao custo de retreinamento para atualizações.
Limitações e Extensões
Uma limitação chave é o custo computacional no momento da previsão, especialmente com dados de alta dimensão. A redução de instâncias e estruturas de indexação mitigam isso, mas introduzem sobrecarga. A sensibilidade a características irrelevantes e ruídos pode ser abordada por ponderação de características ou aprendizado de métricas de distância. Extensões como aumento de dados podem gerar instâncias sintéticas para melhorar a robustez. Na prática, o aprendizado baseado em instâncias continua sendo uma ferramenta valiosa para conjuntos de dados de pequeno a médio porte e para problemas onde interpretabilidade e aprendizado incremental são prioridades.