Введение

В искусственном интеллекте искусственные иммунные системы (ИИС) — это класс вычислительно-интеллектуальных систем машинного обучения, основанных на правилах и вдохновленных принципами и процессами иммунной системы позвоночных. Алгоритмы обычно моделируются на основе способности иммунной системы к обучению и запоминанию для решения задач.

Определение

Область искусственных иммунных систем (AIS) изучает абстрагирование структуры и функций иммунной системы для применения в вычислительных системах, а также исследует возможности использования этих систем для решения вычислительных задач в математике, инженерии и информационных технологиях. AIS является подразделом биологически вдохновленных вычислений и естественных вычислений, проявляет интерес к машинному обучению и относится к более широкой области искусственного интеллекта. Искусственная иммунная система (ИИС) – это адаптивная система, вдохновленная теоретической иммунологией и наблюдаемыми иммунными функциями, принципами и моделями, применяемыми для решения задач. AIS отличается от компьютерной иммунологии и теоретической биологии, которые занимаются моделированием иммунологии с использованием вычислительных и математических моделей для лучшего понимания иммунной системы, хотя именно эти модели положили начало области AIS и продолжают служить источником вдохновения. Наконец, область AIS не занимается исследованием иммунной системы как основы для вычислений, в отличие от других областей, таких как ДНК-вычисления.

История

AIS появилась в середине 1980-х годов с статьями, написанными Фармером, Паккардом и Перелсоном (1986) и Берсини и Варелой (1990) об иммунных сетях. Однако только в середине 1990-х годов AIS стала самостоятельной областью. Форрест и другие. (по отрицательному отбору) и Kephart et al. В 1994 году опубликовали свои первые статьи по AIS, а Дашгупта провел обширные исследования по алгоритмам отрицательного отбора. 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 и Никосии и Кутелло (по клональному отбору) стала заметной в 2002 году. Первая книга об искусственных иммунных системах была издана Дашгуптой в 1999 году. В настоящее время также изучаются новые идеи, связанные с 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. Однако это является предметом горячих дебатов, и в настоящее время эти дебаты являются одной из основных движущих сил развития AIS. Другие недавние разработки включают исследование дегенерации в моделях AIS, которое мотивировано его гипотетической ролью в открытом обучении и эволюции. Изначально AIS стремилась найти эффективные абстракции процессов, обнаруженных в иммунной системе, но в последнее время она заинтересовалась моделированием биологических процессов и применением иммунных алгоритмов к проблемам биоинформатики. В 2008 году Дашгупта и Нино опубликовали учебник по иммунологическим вычислениям, в котором представлен сборник актуальных работ, связанных с методами, основанными на иммунитете, и описывается широкий спектр приложений.

Техника

Общие методы вдохновлены специфическими иммунологическими теориями, объясняющими функцию и поведение адаптивной иммунной системы млекопитающих. Алгоритм клонального отбора: класс алгоритмов, вдохновленных теорией клонального отбора приобретенного иммунитета, объясняющей, как B и T лимфоциты улучшают свой ответ на антигены с течением времени, процесс, называемый созреванием аффинности. Эти алгоритмы сосредоточены на дарвиновских принципах теории, где отбор вдохновлен аффинностью взаимодействия антиген-антитело, размножение – клеточным делением, а изменчивость – соматической гипермутацией. Алгоритмы клонального отбора чаще всего применяются в областях оптимизации и распознавания образов, некоторые из которых напоминают параллельный поиск с подъемом по склону и генетический алгоритм без оператора рекомбинации. Алгоритм отрицательного отбора: вдохновлен процессами положительного и отрицательного отбора, происходящими во время созревания T-клеток в тимусе, что называется T-клеточной толерантностью. Отрицательный отбор относится к выявлению и удалению (апоптозу) самореактивных клеток, то есть T-клеток, которые могут атаковать собственные ткани организма. Этот класс алгоритмов обычно используется для задач классификации и распознавания образов, где пространство поиска моделируется как дополнение к имеющимся знаниям. Например, в задаче обнаружения аномалий алгоритм формирует набор эталонных детекторов, обученных на нормальных (неаномальных) образцах, которые выявляют ранее не встречавшиеся или аномальные паттерны. Алгоритмы иммунной сети: алгоритмы, вдохновленные теорией идиотипической сети, предложенной Нильсом Каем Йерне, описывающей регуляцию иммунной системы антиидиотипическими антителами (антителами, отбирающими другие антитела). Этот класс алгоритмов фокусируется на сетевых графовых структурах, где антитела (или антителопродуцирующие клетки) представлены узлами, а алгоритм обучения включает в себя добавление или удаление связей между узлами на основе аффинности (сходства в пространстве представлений задачи). Алгоритмы иммунной сети применяются в задачах кластеризации, визуализации данных, управления и оптимизации и обладают свойствами, общими с искусственными нейронными сетями. Алгоритмы дендритных клеток: Алгоритм дендритных клеток (DCA) – пример алгоритма, вдохновленного иммунной системой и разработанного с использованием многомасштабного подхода. Этот алгоритм основан на абстрактной модели дендритных клеток (DC). DCA абстрагируется и реализуется посредством изучения и моделирования различных аспектов функции DC, от молекулярных сетей внутри клетки до поведения популяции клеток в целом. В DCA информация гранулируется на разных уровнях посредством многомасштабной обработки.