L'apprentissage fondé sur l'explication (en anglais explanation-based learning (EBL)) est une forme d'apprentissage automatique reposant sur la théorie des domaines et particulièrement l'induction de généralisations ou de canevas à partir d'exemples proposés comme entrainement.
Les programmes d'EBL s'attachent à quatre variables en entrée :
Une théorie des domaines est dite parfaite ou complète si elle contient, en principe, toutes les informations nécessaires pour pouvoir répondre à toutes les questions concernant le domaine. Par exemple, la théorie des domaines dans le domaine des échecs complète est simplement les règles des échecs. En connaissant les règles, il est en principe possible de déduire le meilleur coup dans n'importe quelle situation. En pratique toutefois, faire ce genre de déduction est impossible à cause de l'explosion combinatoire. En pratique, l'EBL utilise des exemples d'application pour chercher à déduire des conséquences dans une théorie des domaines.
De par sa nature même, un système fondé sur l'EBL tente de chercher une manière d'induire des règles de chaque exemple d'application donné en entrée, et de les stocker dans une base de connaissances de la théorie des domaines étudiée. En trouvant des simples preuves pour chaque exemple, le système étend cette base de données et peut chercher puis classifier de futurs exemples qui seraient similaires à ce premier, et ce de manière très rapide.
L'un de principaux désavantages de cette méthode reste son cout global, résultant de la complexité d'une multitude de macros présentes dans le système pour trouver lesdites preuves. Cette propriété est analysée par Minton dans ses publications.
Un exemple d'application à l'EBL est un programme de jeu d' échecs qui apprendrait à partir d'exemples de jeu. Une position spécifique du jeu d'échecs qui contient une combinaison importante, par exemple, "perdre la reine noire en deux coups", contient aussi des informations inutiles, par exemple la disposition des pièces qui n'interviennent pas dans ladite combinaison. EBL peut, à partir d'un seul exemple d'application, déterminer les informations importantes pour induire des règles de généralisation
Un autre domaine d'application très répandu de l'EBL est la recherche dans le TALN, ou traitement automatique du langage naturel, initialement entreprises par le chercheur Manny Rayner. Dans cet exemple, une théorie des domaines étudiée très riche ---la grammaire d'une langue---, est utilisée pour créer certaines phrases spécifiques, créant du même coup une base de connaissances d'exemples d'application. Les premières applications industrielles à ces recherches aboutirent sur l'optimisation d'une base de données relationnelle dans le domaine. La méthode EBL a été appliquée à grande échelle pour des systèmes d'analyse de langue naturelle, où le problème d'explosion de données a été résolu en faisant abstraction de la grammaire originale (le domaine) et en utilisant des techniques d'analyse particulières (LR-parsing), résultant en une accélération significative du processus, notamment en gagnant sur le cout des opérations, mais en perdant en désambiguation sémantique.
Lorsque la méthode d'apprentissage fondée sur l'explication est appliquée au TALN, les critères d'opérationalité peuvent-être entrés à la main, ou peuvent-être inférés de la base de connaissances en utilisant soit l'entropie de ses nœuds, soit la désambiguïsation de la cible par défaut.
L'EBL peut aussi être appliqué pour compiler des modèles de grammaire linguistique afin de faire de la reconnaissance de parole.
Des techniques similaires à l'EBL ont enfin été appliquées à la génération de surfaces.