Алгоритм отрицательного отбора

Алгоритм отрицательного отбора

Алгоритм отрицательного отбора вдохновлен поведением само-не-саморазличения, наблюдаемым в приобретенной иммунной системе млекопитающих. Теория приобретенного иммунитета учитывает адаптивное поведение иммунной системы, в том числе непрерывный отбор и пролиферацию клеток, которые отбирают потенциально опасные (и обычно чужеродные) материалы в организме. Интересным аспектом этого процесса является то, что он отвечает за управление популяцией иммунных клеток, которые не выбирают ткани в организме, в частности, он не создает самореактивные иммунные клетки, называемые аутоиммунитетом.

Эта проблема известна как самодискриминация и включает в себя подготовку и постоянное поддержание репертуара иммунных клеток таким образом, чтобы ни один из них не был аутоиммунным. Это достигается процессом отрицательного отбора, который отбирает и удаляет клетки, которые являются самореактивными во время создания и пролиферации клеток. Этот процесс наблюдался при получении Т-клеток, наивные версии которых созревали с использованием процессов положительной и отрицательной селекции в тимусе.

Принцип различения себя-не-я предполагает, что упреждающие предположения, сделанные в клональная селекция фильтруются областями невозможности (белковые конформации, которые связываются с собственными тканями). Более того, иммунологическая парадигма само-не-я предлагает моделирование неизвестного домена (встречающегося патогена) путем моделирования дополнения того, что известно. Это не интуитивно, потому что естественная тенденция состоит в том, чтобы классифицировать неизвестную информацию по тому, что отличается от того, что известно, а не угадывать неизвестную информацию и фильтровать эти догадки по тому, что известно.

Принципы обработки информации в процессе распознавания себя-не-я алгоритмом отрицательного отбора аналогичны принципам систем обнаружения аномалий и изменений, которые моделируют ожидание отклонения от того, что известно. Принцип достигается за счет построения шаблона изменений, аномалий или неизвестных данных (ненормальных или несамостоятельных) путем создания шаблонов, которые не соответствуют существующему корпусу доступных шаблонов (нормальных или самостоятельных). Затем подготовленный ненормальный шаблон используется для мониторинга существующих нормальных данных или потоков новых данных в поисках совпадений с ненормальными шаблонами.

Следующий алгоритм обеспечивает псевдокод процедуры генерации детектора для алгоритма отрицательной селекции.

В следующем алгоритме представлен псевдокод процедуры применения детектора для алгоритма отрицательного отбора.

Алгоритм отрицательного отбора был разработан для обнаружения изменений, обнаружения новшеств, обнаружения вторжений и аналогичных задач распознавания образов и двухклассовой классификации. Традиционные алгоритмы отрицательного выбора использовали двоичные представления и правила двоичного сопоставления, такие как расстояние Хэмминга и r-непрерывные биты.

Представление данных должно быть выбрано, которое лучше всего подходит для предметной области. проблема задано, и правило сопоставления, в свою очередь, выбирается или сопоставляется с представлением данных. Детекторы могут быть подготовлены без предварительного знания поле определения отличный от известного набора данных (обычный или автономный).

Алгоритм можно настроить таким образом, чтобы сбалансировать сходимость детекторов (качество совпадений) и сложность пространство (количество детекторов). Отсутствие зависимости между детекторами означает, что подготовка и применение детекторов по своей сути параллельны и подходят для распределенной и параллельной реализации соответственно.