Жасанды интеллекттегі иммундық жүйелер – омыртқалылар иммунитетінен шабыттанған есептерді шешуге арналған машиналық оқыту әдісі. Биологиялық есептеулер.
Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Жасанды интеллектте жасанды иммундық жүйелер (АИЖ) — омыртқалы жануарлардың иммундық жүйесінің қағидалары мен процестеріне негізделген, есептеулік интеллектіге ие, ережелерге сүйенетін машиналық оқыту жүйелерінің бір класы. Алгоритмдер көбінесе мәселелерді шешу үшін иммундық жүйенің оқу және есте сақтау ерекшеліктерін модельдеу арқылы құрастырылады.
In artificial intelligence, artificial immune systems (AIS) are a class of computationally intelligent, rule based machine learning systems inspired by the principles and processes of the vertebrate immune system. The algorithms are typically modeled after the immune system's characteristics of learning and memory for use in problem solving.
Анықтама
Жасанды иммундық жүйелер (ЖИЖ) саласы иммундық жүйенің құрылымы мен функциясын есептеу жүйелеріне абстракциялаумен және осы жүйелерді математика, инженерия және ақпараттық технология салаларындағы есептеу мәселелерін шешуге қолдануды зерттеумен айналысады. ЖИЖ – биологиялық шабыттанған есептеудің және табиғи есептеудің кіші саласы болып табылады, машиналық оқытуға қызығушылық танытады және жасанды интеллектің кеңінен қарастырылатын саласына жатады. Жасанды иммундық жүйелер (ЖИЖ) – теориялық иммунологиядан және байқалған иммундық функциялар, қағидалар мен модельдерден шабыттанған, проблемаларды шешуге қолданылатын бейімделу жүйелері. ЖИЖ, иммунологияны есептеу және математикалық модельдерді пайдалану арқылы имитациялайтын есептеу иммунологиясы мен теориялық биологиядан өзгеше, бірақ осы модельдер ЖИЖ саласын қалыптастырды және одан әрі шабыт алуға мүмкіндік береді. Соңында, ЖИЖ саласы иммундық жүйені есептеу үшін негіз ретінде зерттеумен айналыспайды, мысалы ДНҚ есептеу сияқты басқа салалардан айырмашылығы.
The field of artificial immune systems (AIS) is concerned with abstracting the structure and function of the immune system to computational systems, and investigating the application of these systems towards solving computational problems from mathematics, engineering, and information technology. AIS is a sub field of biologically inspired computing, and natural computation, with interests in machine learning and belonging to the broader field of artificial intelligence. Artificial immune systems (AIS) are adaptive systems, inspired by theoretical immunology and observed immune functions, principles and models, which are applied to problem solving. AIS is distinct from computational immunology and theoretical biology that are concerned with simulating immunology using computational and mathematical models towards better understanding the immune system, although such models initiated the field of AIS and continue to provide a fertile ground for inspiration. Finally, the field of AIS is not concerned with the investigation of the immune system as a substrate for computation, unlike other fields such as DNA computing.
Тарих
AIS 1980-ші жылдардың ортасында Farmer, Packard және Perelson (1986) және Bersini және Varela (1990) авторлық мақалаларымен, иммундық желілер туралы жарияланымдар арқылы пайда болды. Дегенмен, AIS жекелеген сала ретінде 1990-шы жылдардың ортасында ғана қалыптасты. Forrest және тағы басқалар (теріс таңдау бойынша) мен Kephart және тағы басқалар 1994 жылы AIS бойынша алғашқы жұмыстарын жариялады, ал Dasgupta теріс таңдау алгоритмдерін жан-жақты зерттеді. Hunt пен Cooke 1995 жылы иммундық желі модельдері бойынша жұмыстарды бастады; Timmis пен Neal осы жұмысты жалғастырып, бірқатар жақсартулар енгізді. De Castro & Von Zuben және Nicosia & Cutello-ның (клондық таңдау бойынша) еңбектері 2002 жылы ерекше назар аударды. Алғашқы «Жасанды иммундық жүйелер» кітабын 1999 жылы Dasgupta редакциялады. Қазіргі таңдағыда, AIS бағытындағы жаңа идеялар, мысалы, қауіп теориясы және туа біткен иммундық жүйеден шабыттанған алгоритмдер де зерттелуде. Бірақ кейбіреулер бұл жаңа идеялардың қазіргі AIS алгоритмдерінен түбегейлі жаңа абстракция ұсынбайтынын айтады. Алайда, бұл мәселе қызу пікірталас тудырып, AIS дамуының негізгі қозғаушы күштерінің бірі болып табылады. Басқа да соңғы жетістіктерге AIS модельдеріндегі дегенерацияны зерттеу кіреді, бұл ашық оқу және эволюциядағы оның болжамдық рөлімен байланысты. Бастапқыда AIS иммундық жүйедегі процестердің тиімді абстракциясын табуға бағытталған, бірақ соңғы кезде биологиялық процестерді модельдеуге және иммундық алгоритмдерді биоинформатика мәселелеріне қолдануға қызығушылық танытуда. 2008 жылы Dasgupta мен Nino иммунологиялық есептеулер бойынша оқулық жариялады, онда иммунитетке негізделген техникаларға қатысты соңғы жұмыстар жинағы ұсынылып, қолдану салалары кең түрде сипатталған.
AIS emerged in the mid 1980s with articles authored by Farmer, Packard and Perelson (1986) and Bersini and Varela (1990) on immune networks. However, it was only in the mid 1990s that AIS became a field in its own right. Forrest et al. (on negative selection) and Kephart et al. published their first papers on AIS in 1994, and Dasgupta conducted extensive studies on Negative Selection Algorithms. Hunt and Cooke started the works on Immune Network models in 1995; Timmis and Neal continued this work and made some improvements. De Castro & Von Zuben's and Nicosia & Cutello's work (on clonal selection) became notable in 2002. The first book on Artificial Immune Systems was edited by Dasgupta in 1999. Currently, new ideas along AIS lines, such as danger theory and algorithms inspired by the innate immune system, are also being explored. Although some believe that these new ideas do not yet offer any truly 'new' abstract, over and above existing AIS algorithms. This, however, is hotly debated, and the debate provides one of the main driving forces for AIS development at the moment. Other recent developments involve the exploration of degeneracy in AIS models, which is motivated by its hypothesized role in open ended learning and evolution. Originally AIS set out to find efficient abstractions of processes found in the immune system but, more recently, it is becoming interested in modelling the biological processes and in applying immune algorithms to bioinformatics problems. In 2008, Dasgupta and Nino published a textbook on immunological computation which presents a compendium of up to date work related to immunity based techniques and describes a wide variety of applications.
Техникалар
Жалпы әдістер сүтқоректілердің бейімделген иммундық жүйесінің қызметі мен мінез-құлқын түсіндіретін иммунологиялық теорияларға негізделген. Клоникалық іріктеу алгоритмі: Клоникалық іріктеу теориясының ықпалымен жасалған алгоритмдер класы, ол В және Т лимфоциттерінің антигендерге уақыт өте келе жауап беру қабілетін қалай жақсартатынын – аффинитеттік жетілуді – түсіндіреді. Бұл алгоритмдер Дарвиннің теориясының ерекшеліктеріне назар аударады, онда таңдау антиген-антидене өзара әрекеттесуінің жақындығымен, көбею – жасушаның бөлінуімен, ал өзгергіштік – соматикалық гипермутациямен шабыттандырылған. Клоникалық іріктеу алгоритмдері көбінесе оптимизация және үлгіні тану салаларында қолданылады, олардың кейбіреулері рекомбинация операторысыз параллель дөңгелекке көтерілу және генетикалық алгоритмге ұқсайды. Теріс таңдау алгоритмі: Тимуста Т-жасушаларының жетілу кезінде жүретін оң және теріс таңдау процестерінен шабыттандырылған, осы процестер Т-жасушаларының төзімділігін қамтамасыз етеді. Теріс таңдау – өзіне қарсы реакция жасайтын жасушаларды, яғни өзінің тіндеріне шабуылдайтын Т-жасушаларды анықтап жоюды (апоптозды) білдіреді. Бұл алгоритмдер класы әдетте классификация және үлгіні тану мәселелерінде қолданылады, онда мәселе кеңістігі қолданылатын білімнің толықтырылысы ретінде модельделеді. Мысалы, аномалияны анықтау саласында алгоритм қалыпты (аномалия емес) үлгілерге оқытылған үлгілік детекторлар жиынтығын дайындайды, олар жаңа немесе аномалиялы үлгілерді анықтап, модельдейді. Иммундық желі алгоритмдері: Нильс Каж Джерн ұсынған, иммундық жүйені антиидиотипілік антиденелер (басқа антиденелерді таңдайтын антиденелер) арқылы реттейтін идиотипілік желі теориясынан шабыттанған алгоритмдер. Бұл алгоритмдер класы антиденелерді (немесе антидене өндіретін жасушаларды) түйіндер ретінде көрсететін желілік графикалық құрылымдарға назар аударады, ал оқыту алгоритмі аффинитетке (мәселені бейнелеу кеңістігіндегі ұқсастыққа) негізделген түйіндер арасындағы байланыстарды құруды немесе үзуді қамтиды. Иммундық желі алгоритмдері кластерлеу, деректерді визуализациялау, басқару және оптимизациялау салаларында қолданылған және жасанды нейрондық желілермен ортақ қасиеттерге ие. Дендриттік жасуша алгоритмдері: Дендриттік жасуша алгоритмі (DCA) – көп масштабты тәсілмен жасалған иммундық шабыттандырылған алгоритмнің мысалы. Бұл алгоритм дендриттік жасушалардың (ДЖ) абстрактілі моделіне негізделген. DCA ДЖ функциясының әртүрлі аспектілерін зерттеу және модельдеу процесі арқылы абстракцияланады және іске асырылады, жасуша ішіндегі молекулалық желілерден бастап, жасушалар популяциясының жалпы мінез-құлқына дейін. DCA ақпаратын әртүрлі деңгейлерде түйіршіктейді, бұл көп масштабты өңдеу арқылы жүзеге асырылады.
The common techniques are inspired by specific immunological theories that explain the function and behavior of the mammalian adaptive immune system. Clonal selection algorithm: A class of algorithms inspired by the clonal selection theory of acquired immunity that explains how B and T lymphocytes improve their response to antigens over time called affinity maturation. These algorithms focus on the Darwinian attributes of the theory where selection is inspired by the affinity of antigen–antibody interactions, reproduction is inspired by cell division, and variation is inspired by somatic hypermutation. Clonal selection algorithms are most commonly applied to optimization and pattern recognition domains, some of which resemble parallel hill climbing and the genetic algorithm without the recombination operator. Negative selection algorithm: Inspired by the positive and negative selection processes that occur during the maturation of T cells in the thymus called T cell tolerance. Negative selection refers to the identification and deletion (apoptosis) of self reacting cells, that is T cells that may select for and attack self tissues. This class of algorithms are typically used for classification and pattern recognition problem domains where the problem space is modeled in the complement of available knowledge. For example, in the case of an anomaly detection domain the algorithm prepares a set of exemplar pattern detectors trained on normal (non anomalous) patterns that model and detect unseen or anomalous patterns. Immune network algorithms: Algorithms inspired by the idiotypic network theory proposed by Niels Kaj Jerne that describes the regulation of the immune system by anti idiotypic antibodies (antibodies that select for other antibodies). This class of algorithms focus on the network graph structures involved where antibodies (or antibody producing cells) represent the nodes and the training algorithm involves growing or pruning edges between the nodes based on affinity (similarity in the problems representation space). Immune network algorithms have been used in clustering, data visualization, control, and optimization domains, and share properties with artificial neural networks. Dendritic cell algorithms: The dendritic cell algorithm (DCA) is an example of an immune inspired algorithm developed using a multi scale approach. This algorithm is based on an abstract model of dendritic cells (DCs). The DCA is abstracted and implemented through a process of examining and modeling various aspects of DC function, from the molecular networks present within the cell to the behaviour exhibited by a population of cells as a whole. Within the DCA information is granulated at different layers, achieved through multi scale processing.