Contenido
PalancaAlgoritmo de selección negativa
El algoritmo de selección negativa está inspirado en el comportamiento de auto-discriminación observado en el sistema inmunológico adquirido por los mamíferos. La teoría de la inmunidad adquirida tiene en cuenta el comportamiento adaptativo del sistema inmunológico, incluida la selección continua y la proliferación de células que seleccionan material potencialmente dañino (y generalmente extraño) en el cuerpo. Un aspecto interesante de este proceso es que es responsable de manejar una población de células inmunes que no seleccionan tejidos en el cuerpo, en particular no crea células inmunes autorreactivas llamadas autoinmunidad.
Este problema se conoce como autodiscriminación e implica la preparación y el mantenimiento continuo de un repertorio de células inmunes para que ninguna sea autoinmune. Esto se logra mediante un proceso de selección negativa que selecciona y elimina las células que son autorreactivas durante la creación y proliferación celular. Este proceso se ha observado en la preparación de linfocitos T, cuyas versiones ingenuas se maduran mediante un proceso de selección positiva y negativa en el timo.
El principio de la autodiscriminación sugiere que las suposiciones anticipatorias hechas en el selección clonal se filtran por regiones de inviabilidad (conformaciones proteicas que se unen a los tejidos propios). Además, el paradigma inmunológico propio-no propio propone el modelado del dominio desconocido (patógeno encontrado) modelando el complemento de lo que se conoce. Esto no es intuitivo porque la tendencia natural es clasificar la información desconocida por lo que es diferente de lo que se conoce, en lugar de adivinar la información desconocida y filtrar esas conjeturas por lo que se conoce.
Los principios de procesamiento de la información del proceso de auto-no auto-discriminación por el algoritmo de selección negativa son los de los sistemas de detección de anomalías y cambios que modelan la anticipación de la variación de lo conocido. El principio se logra construyendo un modelo de cambios, anomalías o datos desconocidos (no normales o no propios) mediante la generación de modelos que no corresponden a un corpus existente de modelos disponibles (normales o propios). El modelo no normal preparado se usa luego para monitorear datos normales existentes o nuevos flujos de datos buscando coincidencias con los modelos no normales.
El siguiente algoritmo proporciona una pseudocódigo del procedimiento de generación de detectores para el algoritmo de selección negativa.
El siguiente algoritmo proporciona un pseudocódigo del procedimiento de aplicación del detector para el algoritmo de selección negativa.
El algoritmo de selección negativa se diseñó para la detección de cambios, la detección de novedades, la detección de intrusiones y el reconocimiento de patrones similares y áreas de problemas de clasificación de dos clases. Los algoritmos tradicionales de selección negativa usaban representaciones binarias y reglas de coincidencia binaria como la distancia de Hamming y los bits r-contiguos.
Se debe seleccionar una representación de datos que mejor se adapte a un dominio de problema dado y, a su vez, se selecciona o se compara una regla de coincidencia con la representación de datos. Los detectores se pueden preparar sin conocimiento previo del campo de definición que no sea el conjunto de datos conocido (normal o independiente).
El algoritmo se puede configurar para equilibrar la convergencia de los detectores (calidad de las coincidencias) y la complejidad espacio (número de detectores). La falta de dependencia entre los detectores significa que la preparación y la aplicación de los detectores son inherentemente paralelas y adecuadas para la implementación distribuida y paralela, respectivamente.