본 논문은 사례 기반 추론을 위한 점진적 추상적 논증(Gradual AA-CBR)이라는 새로운 데이터 기반 신경 기호 분류 모델을 제시합니다. 이 모델은 신경망 기반 특징 추출기와 동시에 학습되는 논증 구조를 통해 결과를 도출합니다. 각 논증은 훈련 데이터의 관측된 사례이며, 해당 사례의 라벨을 지지합니다. 사례들은 상반되는 또는 일치하는 라벨을 가진 사례들을 공격하거나 지지하며, 각 논증과 관계의 강도는 기울기 기반 방법을 통해 학습됩니다. 이 논증 구조는 사람의 추론 방식과 유사하여 기존 신경망에 비해 모델의 해석성을 향상시킵니다. 기존의 순수 기호적 변형인 AA-CBR과 달리, Gradual AA-CBR은 다중 클래스 분류, 특징 및 데이터 포인트 중요도의 자동 학습, 결과에 대한 불확실성 값 할당, 모든 사용 가능한 데이터 포인트 사용이 가능하며, 이진 특징을 필요로 하지 않습니다. 본 논문에서는 Gradual AA-CBR이 기존 AA-CBR보다 훨씬 우수한 성능을 보이며 신경망과 비슷한 성능을 보임을 보여줍니다.
