Algorithme de sélection négative
L’algorithme de sélection négative est inspiré du comportement de discrimination de soi-non-soi observé dans le système immunitaire acquis par les mammifères. La théorie de l’immunité acquise tient compte du comportement adaptatif du système immunitaire, y compris la sélection et la prolifération continues de cellules qui sélectionnent le matériel potentiellement nocif (et généralement étranger) dans le corps. Un aspect intéressant de ce processus est qu’il est responsable de la gestion d’une population de cellules immunitaires qui ne sélectionnent pas les tissus du corps, en particulier il ne crée pas de cellules immunitaires autoréactives appelées auto-immunité.
Ce problème est connu sous le nom de discrimination de soi-même et il implique la préparation et l’entretien continu d’un répertoire de cellules immunitaires de sorte qu’aucune ne soit auto-immune. Ceci est réalisé par un processus de sélection négative qui sélectionne et supprime les cellules qui sont autoréactives pendant la création et la prolifération cellulaire. Ce processus a été observé dans la préparation des lymphocytes T, dont les versions naïves sont mûries en utilisant un processus de sélection positif et négatif dans le thymus.
Le principe de discrimination de soi-non-soi suggère que les suppositions anticipatives faites dans la sélection clonale sont filtrées par des régions d’infaisabilité (conformations protéiques qui se lient aux auto-tissus). De plus, le paradigme immunologique soi-non-soi propose la modélisation du domaine inconnu (pathogène rencontré) en modélisant le complément de ce qui est connu. Cela n’est pas intuitif car la tendance naturelle est de classer les informations inconnues par ce qui est différent de ce qui est connu, plutôt que de deviner les informations inconnues et de filtrer ces suppositions par ce qui est connu.
Les principes de traitement de l’information du processus de discrimination de soi-non-soi par l’algorithme de sélection négative sont ceux des systèmes de détection d’anomalies et de changements qui modélisent l’anticipation de la variation de ce qui est connu. Le principe est atteint en construisant un modèle de changements, d’anomalies ou de données inconnues (non normales ou non soi) en générant des modèles qui ne correspondent pas à un corpus existant de modèles disponibles (normals ou soi). Le modèle non normal préparé est ensuite utilisé pour surveiller les données normales existantes ou des flux de nouvelles données en recherchant des correspondances avec les modèles non normaux.
L’algorithme suivant fournit un pseudocode de la procédure de génération de détecteur pour l’algorithme de sélection négative.
L’algorithme suivant fournit un pseudocode de la procédure d’application du détecteur pour l’algorithme de sélection négative.
L’algorithme de sélection négative a été conçu pour la détection de changements, la détection de nouveautés, la détection d’intrusions et la reconnaissance de formes similaires et les domaines de problèmes de classification à deux classes. Les algorithmes de sélection négative traditionnels utilisaient des représentations binaires et des règles de correspondance binaire telles que la distance de Hamming et les bits r-contigus.
Une représentation des données doit être sélectionnée qui convient le mieux à un domaine problématique donné, et une règle de correspondance est à son tour sélectionnée ou adaptée à la représentation des données. Les détecteurs peuvent être préparés sans connaissance préalable du domaine de définition autre que l’ensemble de données connu (normal ou autonome).
L’algorithme peut être configuré pour équilibrer la convergence des détecteurs (qualité des correspondances) et la complexité de l’espace (nombre de détecteurs). Le manque de dépendance entre les détecteurs signifie que la préparation et l’application des détecteurs sont intrinsèquement parallèles et adaptées à une mise en œuvre distribuée et parallèle, respectivement.
