Tom Mitchell 的Machine Learning (1997)一书在第 8 章 (p. 230) 中介绍了基于案例的推理 (CBR)，这是一种基于实例的学习形式（最近邻是 IBL 的典型示例）。

T.米切尔写道

基于实例的方法，例如$k$-NEAREST NEIGHBOR 和局部加权回归具有三个关键属性。首先，它们是惰性学习方法，因为它们推迟决定如何在训练数据之外进行泛化，直到观察到新的查询实例。其次，他们通过分析相似的实例来对新的查询实例进行分类，同时忽略与查询非常不同的实例。第三，它们将实例表示为一个实值点$n$维欧几里得空间。基于案例的推理 (CBR) 是一种基于前两个原则而非第三个原则的学习范式。在 CBR 中，实例通常使用更丰富的符号描述来表示，用于检索相似实例的方法也相应地更加精细。CBR 已应用于诸如基于存储的先前设计库的机械设备概念设计 (Sycara et al. 1992)、基于先前裁决的新法律案例推理 (Ashley 1990) 以及通过以下方式解决计划和调度问题重用和组合以前解决类似问题的部分解决方案（Veloso 1992）。

然后他继续举了一个 CBR 系统的例子：CADET 系统。他还将 CBR 表述为一个学习问题，并使用术语“学习”来指代 CADET 经历的搜索过程，这类似于 k-NN 所做的。

然后他写道

总而言之，基于案例的推理是一种基于实例的学习方法，其中的实例（案例）可能是丰富的关系描述，其中案例的检索和组合解决当前查询可能依赖于基于知识的推理和搜索密集型解决问题的方法。

总而言之，是的，CBR 可以被视为一种机器学习技术（如果您也将 k-NN 视为一种学习算法，人们经常这样做），即使它可能依赖于基于知识的推理和搜索密集型问题解决方法。

您可能还对Ralph Bergmann 等人的论文Representation in case-based reasoning (2005) 感兴趣。此外，著名的 AIMA 书（第 3 版）在第 19 章（第 799 页）中提到了基于案例的推理，该书致力于知识和学习。