Negative selection algorithm

Negative selection algorithm

The negative selection algorithm is inspired by the self-non-self discriminating behavior observed in the immune system acquired by mammals. The theory of acquired immunity takes into account the adaptive behavior of the immune system, including the continued selection and proliferation of cells that select potentially harmful (and usually foreign) material in the body. An interesting aspect of this process is that it is responsible for managing a population of immune cells that do not select tissues in the body, in particular it does not create self-reactive immune cells called autoimmunity.

This problem is known as self-discrimination, and it involves the preparation and ongoing maintenance of a repertoire of immune cells so that none are autoimmune. This is achieved by a negative selection process which selects and removes cells that are autoreactive during cell creation and proliferation. This process has been observed in the preparation of T cells, the naive versions of which are matured using a positive and negative selection process in the thymus.

Le principe de discrimination de soi-non-soi suggère que les suppositions anticipatives faites dans la clonal selection 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.

The information processing principles of the process of self-non-self discrimination by the negative selection algorithm are those of the anomaly and change detection systems which model the anticipation of the variation of what is known. . The principle is achieved by building a model of changes, anomalies or unknown data (non-normal or non-self) by generating models that do not correspond to an existing corpus of available models (normal or self). The prepared non-normal model is then used to monitor existing normal data or new data streams by looking for matches with the non-normal models.

The following algorithm provides a pseudocode de la procédure de génération de détecteur pour l’algorithme de sélection négative.

negative selection algorithm

The following algorithm provides a pseudocode of the detector application procedure for the negative selection algorithm.

negative selection algorithm

The negative selection algorithm was designed for change detection, novelty detection, intrusion detection and recognition of similar patterns and two-class classification problem areas. Traditional negative selection algorithms used binary representations and binary matching rules such as Hamming distance and r-contiguous bits.

Une représentation des données doit être sélectionnée qui convient le mieux à un domaine problem 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 definition field 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 complexity 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.

To share
en_GBEN
%d bloggers like this: