В области искусственного интеллекта , искусственные системы иммунные (АИСЫ) представляют собой класс вычислительно интеллектуальные, основанные на правила обучения машинных систем , вдохновленных принципы и процессами позвоночной системы иммунитета . Алгоритмы обычно моделируются на основе характеристик обучения и памяти иммунной системы для использования при решении проблем .
Определение
Область искусственных иммунных систем (ИИС) связана с абстрагированием структуры и функций иммунной системы для вычислительных систем и исследованием применения этих систем для решения вычислительных задач математики, инженерии и информационных технологий. AIS - это область вычислений , вдохновленных биологией , и естественных вычислений , интересующаяся машинным обучением и относящаяся к более широкой области искусственного интеллекта .
Искусственные иммунные системы (ИИС) - это адаптивные системы, вдохновленные теоретической иммунологией и наблюдаемыми иммунными функциями, принципами и моделями, которые применяются для решения проблем. [1]
AIS отличается от компьютерной иммунологии и теоретической биологии , которые связаны с моделированием иммунологии с использованием вычислительных и математических моделей для лучшего понимания иммунной системы, хотя такие модели положили начало области AIS и продолжают обеспечивать благодатную почву для вдохновения. Наконец, область AIS не связана с исследованием иммунной системы как субстрата для вычислений, в отличие от других областей, таких как вычисления ДНК .
История
AIS появился в середине 1980-х годов благодаря статьям Фармера, Паккарда и Перельсона (1986) и Берсини и Варела (1990) об иммунных сетях. Однако только в середине 1990-х годов АИС стала самостоятельной отраслью. Форрест и др. (об отрицательном отборе ) и Kephart et al. [2] опубликовали свои первые статьи об AIS в 1994 году, а Дасгупта провел обширные исследования алгоритмов отрицательного выбора. Хант и Кук начали работу над моделями иммунной сети в 1995 году; Тиммис и Нил продолжили эту работу и внесли некоторые улучшения. Работа Де Кастро и фон Зубена, Никосии и Кутелло (по клональной селекции ) стала заметной в 2002 году. Первая книга по искусственным иммунным системам была отредактирована Дасгуптой в 1999 году.
В настоящее время также изучаются новые идеи по линии AIS, такие как теория опасности и алгоритмы, вдохновленные врожденной иммунной системой . Хотя некоторые считают, что эти новые идеи еще не предлагают никаких действительно «новых» абстрактных, помимо существующих алгоритмов AIS. Это, однако, горячо обсуждается, и эти дебаты являются одной из основных движущих сил для развития АИС на данный момент. Другие недавние разработки включают исследование вырождения в моделях AIS [3] [4], что мотивировано его предполагаемой ролью в открытом обучении и эволюции. [5] [6]
Первоначально AIS намеревался найти эффективные абстракции процессов, обнаруженных в иммунной системе, но в последнее время он проявляет интерес к моделированию биологических процессов и применению иммунных алгоритмов к задачам биоинформатики.
В 2008 году Дасгупта и Нино [7] опубликовали учебник по иммунологическим вычислениям, который представляет собой сборник новейших работ, связанных с методами, основанными на иммунитете, и описывает широкий спектр приложений.
Методы
Общие методы основаны на конкретных иммунологических теориях, объясняющих функции и поведение адаптивной иммунной системы млекопитающих .
- Алгоритм клонального отбора : класс алгоритмов, вдохновленных теорией клонального отбора приобретенного иммунитета, который объясняет, как В- и Т- лимфоциты улучшают свой ответ на антигены с течением времени, называемое созреванием аффинности . Эти алгоритмы сосредотачиваются на дарвиновских атрибутах теории, где отбор вдохновляется аффинностью взаимодействий антиген-антитело, воспроизводство вдохновляется делением клеток , а вариации вдохновляются соматической гипермутацией . Алгоритмы клонального отбора чаще всего применяются в областях оптимизации и распознавания образов , некоторые из которых напоминают параллельное восхождение на холм и генетический алгоритм без оператора рекомбинации. [8]
- Алгоритм отрицательного отбора : вдохновлен процессами положительного и отрицательного отбора, которые происходят во время созревания Т-клеток в тимусе, что называется толерантностью к Т-клеткам . Отрицательный отбор относится к идентификации и удалению ( апоптозу ) самореактивных клеток, то есть Т-клеток, которые могут выбирать и атаковать собственные ткани. Этот класс алгоритмов обычно используется для классификации и проблемных областей распознавания образов, где проблемное пространство моделируется в дополнение к имеющимся знаниям. Например, в случае области обнаружения аномалий алгоритм подготавливает набор образцов детекторов шаблонов, обученных нормальным (неаномальным) шаблонам, которые моделируют и обнаруживают невидимые или аномальные шаблоны. [9]
- Алгоритмы иммунной сети : алгоритмы, вдохновленные теорией идиотипической сети, предложенной Нильсом Кай Джерном, которая описывает регуляцию иммунной системы с помощью антиидиотипических антител (антител, которые выбирают другие антитела). Этот класс алгоритмов фокусируется на задействованных структурах сетевого графа, в которых антитела (или клетки, продуцирующие антитела) представляют узлы, а алгоритм обучения включает в себя увеличение или сокращение границ между узлами на основе аффинности (сходства в пространстве представления проблем). Алгоритмы иммунных сетей использовались в областях кластеризации, визуализации данных, управления и оптимизации, а также совместно использовали свойства с искусственными нейронными сетями . [10]
- Алгоритмы дендритных клеток : Алгоритм дендритных клеток (DCA) является примером алгоритма, вдохновленного иммунитетом, разработанного с использованием многомасштабного подхода. Этот алгоритм основан на абстрактной модели дендритных клеток (ДК). DCA абстрагируется и реализуется посредством процесса изучения и моделирования различных аспектов функции DC, от молекулярных сетей, присутствующих в клетке, до поведения, проявляемого популяцией клеток в целом. В DCA информация гранулируется на разных уровнях, что достигается за счет многомасштабной обработки. [11]
Смотрите также
- Биологически вдохновленные вычисления
- Компьютерная иммунология
- Вычислительный интеллект
- Эволюционные вычисления
- Иммунокомпьютинг
- Естественное вычисление
- Рой интеллект
- Система обучающих классификаторов
- Машинное обучение на основе правил
Заметки
- ^ де Кастро, Леандро Н .; Тиммис, Джонатан (2002). Искусственные иммунные системы: новый подход компьютерного интеллекта . Springer . С. 57–58. ISBN 978-1-85233-594-6.
- ^ Kephart, JO (1994). «Биологически вдохновленная иммунная система для компьютеров». Труды искусственной жизни IV: Четвертый международный семинар по синтезу и моделированию живых систем . MIT Press. С. 130–139.
- ^ Эндрюс и Тиммис (2006). «Вычислительная модель вырождения в лимфатическом узле». Искусственные иммунные системы . Конспект лекций по информатике . 4163 . С. 164–177. DOI : 10.1007 / 11823940_13 . ISBN 978-3-540-37749-8. S2CID 2539900 .
- ^ Мендао; и другие. (2007). «Иммунная система по частям: вычислительные уроки дегенерации иммунной системы». Основы вычислительного интеллекта (FOCI) : 394–400. DOI : 10.1109 / FOCI.2007.371502 . ISBN 978-1-4244-0703-3. S2CID 5370645 .
- ^ Эдельман и Галли (2001). «Вырождение и сложность биологических систем» . Труды Национальной академии наук Соединенных Штатов Америки . 98 (24): 13763–13768. Bibcode : 2001PNAS ... 9813763E . DOI : 10.1073 / pnas.231499798 . PMC 61115 . PMID 11698650 .
- ^ Whitacre (2010). «Вырождение: связь между эволюционируемостью, устойчивостью и сложностью биологических систем» . Теоретическая биология и медицинское моделирование . 7 (6): 6. DOI : 10,1186 / 1742-4682-7-6 . PMC 2830971 . PMID 20167097 .
- ^ Дасгупта, Дипанкар; Нино, Фернандо (2008). Иммунологические вычисления: теория и приложения . CRC Press. п. 296. ISBN. 978-1-4200-6545-9.
- ^ де Кастро, LN; Фон Зубен, FJ (2002). «Обучение и оптимизация с использованием принципа клонального отбора» (PDF) . IEEE Transactions по эволюционным вычислениям . 6 (3): 239–251. DOI : 10.1109 / tevc.2002.1011539 .
- ^ Форрест, S .; Перельсон, А.С.; Allen, L .; Черукури Р. (1994). «Самоискриминация в компьютере» (PDF) . Материалы симпозиума IEEE 1994 г. по исследованиям в области безопасности и конфиденциальности . Лос-Аламитос, Калифорния. С. 202–212.
- ^ Тиммис, Дж .; Neal, M .; Хант, Дж. (2000). «Искусственная иммунная система для анализа данных» (PDF) . Биосистемы . 55 (1): 143–150. DOI : 10.1016 / S0303-2647 (99) 00092-1 . PMID 10745118 .
- ^ Гринсмит, Дж .; Айкелин, У. (2009). Искусственные дендритные клетки: многогранные перспективы (PDF) . Обработка информации, ориентированная на человека, посредством детального моделирования . Исследования в области вычислительного интеллекта. 182 . С. 375–395. CiteSeerX 10.1.1.193.1544 . DOI : 10.1007 / 978-3-540-92916-1_16 . ISBN 978-3-540-92915-4. Архивировано из оригинального (PDF) 09.08.2011 . Проверено 19 июня 2009 .
Рекомендации
- Дж. Д. Фармер, Н. Паккард и А. Перельсон, (1986) « Иммунная система, адаптация и машинное обучение », Physica D, vol. 2. С. 187–204.
- Х. Берсини, Ф. Дж. Варела, Советы по адаптивному решению проблем, почерпнутые из иммунных сетей . Параллельное решение проблем с натуры, Первый семинар PPSW 1, Дортмунд, ФРГ, октябрь 1990 г.
- Д. Дасгупта (редактор), Искусственные иммунные системы и их применение, Springer-Verlag, Inc., Берлин, январь 1999 г., ISBN 3-540-64390-7
- В. Кутелло и Дж. Никосия (2002) " Иммунологический подход к задачам комбинаторной оптимизации " Конспект лекций по информатике, Springer vol. 2527. С. 361–370.
- Л. Н. де Кастро и Ф. Дж. Фон Зубен, (1999) «Искусственные иммунные системы: Часть I - Базовая теория и приложения», Школа вычислительной техники и электротехники, Государственный университет Кампинаса, Бразилия, № DCA-RT 01/99.
- С. Гарретт (2005) "Как мы оцениваем искусственные иммунные системы?" Эволюционные вычисления, т. 13, вып. 2. С. 145–178. http://mitpress.mit.edu/journals/pdf/EVCO_13_2_145_0.pdf
- В. Кутелло, Г. Никосия, М. Павоне, Дж. Тиммис (2007) Иммунный алгоритм для предсказания структуры белка на решетчатых моделях, Транзакции IEEE по эволюционным вычислениям, т. 11, вып. 1. С. 101–117. https://web.archive.org/web/20120208130715/http://www.dmi.unict.it/nicosia/papers/journals/Nicosia-IEEE-TEVC07.pdf
- Вильялобос-Ариас М., Коэльо САС, Эрнандес-Лерма О. (2004) Анализ сходимости алгоритма многоцелевой искусственной иммунной системы. В: Никосия Г., Кутелло В., Бентли П. Дж., Тиммис Дж. (Ред.) Искусственные иммунные системы. ICARIS 2004. Конспект лекций по информатике, том 3239. Springer, Berlin, Heidelberg. DOI https://doi.org/10.1007/978-3-540-30220-9_19
Внешние ссылки
- AISWeb: Интернет-сайт искусственных иммунных систем [ постоянная мертвая ссылка ] Информация об AIS в целом и ссылки на различные ресурсы, включая серии конференций ICARIS, код, учебные материалы и описания алгоритмов.
- ИСПОЛНИТЕЛЬ: Сеть искусственных иммунных систем Предоставляет информацию о британской сети AIS, ХУДОЖНИК. Он обеспечивает техническую и финансовую поддержку AIS в Великобритании и за ее пределами и направлен на продвижение проектов AIS.
- Группа компьютерных иммунных систем Университета Нью-Мексико под руководством Стефани Форрест .
- AIS: Группа искусственных иммунных систем в Университете Мемфиса под руководством Дипанкара Дасгупты.
- IBM Antivirus Research Ранняя работа в AIS для компьютерной безопасности.