重新访问否定选择算法.docVIP

摘要：本文综述了否定选择算法的进展，一种在人工免疫系统中的基于异常/改变的检测方法。根据其初始模型，我们试图找出在这一类的算法的基本特征并总结他们的多样性。在这种方法中存在多样元素，包括数据的代表性，覆盖面估计，亲和措施，和匹配规则 用来讨论不同的变化。各种否定选择算法也按不同的标准被分类。与其他的人工免疫系统或者是机器学习方法的关系和可能的组合也在这里被讨论。然后在讨论的基础上推测未来的发展和否定选择算法的适用性以及在相关领域的影响力。 关键字： 人工免疫系统， 否定选择算法， 机器学习。 1 介绍 人工免疫系统是一个总称，它涵盖了所有的努力发展通过生物免疫系统启发的计算机模型。在免疫系统中为AIO，否定选择，免疫网络模型，和克隆选择探索的各种机制仍然是讨论最多的模型。自体与非自体之间的区别被认为是在复杂的免疫系统中的主要机制之一。人工否定选择是自体/非自体区别的计算机模仿，最初是作为一个变化的检测方法来设计的，它是仿照了在在胸腺中的T细胞的成熟过程。巨大多样性的T细胞首先用一个伪随机基因重排过程来组装并且它们识别自体细胞在其余部的布署到免疫系统来识别和攻击外病原体之前。基于这一过程的方法，通常被称作是否定选择算法，把人工这个修饰词省略掉。它是适用于在各种现实世界中的应用的最早的人工免疫系统算法之一。由于它是最初被设想的，所以吸引了许多AIS的研究人员和从业人员，并且经历了一些惊人的进化。 有时否定选择算法一般是指这种方法，我们通常所说的一个特定的算法是基于此模型的否定选择算法并且使用复数形式来代表整个这一类的算法。多年来，否定选择算法这个称谓已被用于很多不同的模型了。尽管这种方法的演变和多样化，由。。。所描述的否定选择算法的主要特征依然保持着。图1类似最初的构想，描述这种算法的主要步骤。检测器通过一些随机过程来产生并且通过试图匹配自我样本来审查。通过比较有的被淘汰，其余的都作为探测器被保持。在检测阶段，检测器收集（或探测器用于检查传入的数据实例是否是自体或非自体集）。如果它匹配任何检测器，它声称自体或者异常。这说明在一定程度上是有限的，但是传达基本的思想。 尽管新的模型被提出并且对已经存在的方法不断改进，AIS的整个领域包括否定选择算法在内还是比较年轻不成熟的，没有很好地界定。对否定选择算法的适用性和独特性还总是存在疑虑。在由Garrett（2005）对AIS的全面调查，笔者总结，负选择算法与其他算法相比，具有鲜明的过程，可能是最适合某些应用。另一方面，弗雷塔斯和迪米斯（2003）指出否定选择算法不适合作为一般的分类方法来使用，因为他是基于一类的算法。stibor等人。（2005年a，b）提出的一些可能性建议否定选择算法在一般或者某些特定的模式下可能并不适合，但是这些方法可能会存在的一些弱点，是不太令人满意的。这种方法比较流行的用法在不同的应用和其价值无疑证明就这个主题进行彻底审查，以促进其发展或演变。当人工免疫系统的一些其他模型正在被积极研究和从免疫学得来的新思路的追求，否定选择算法值得更仔细的检查以避免存在的和潜在的无解。 推迟关于变化的讨论，否定选择算法最显著的特点包括： 否定信息的代表性。从机器学习的角度看，我们输出真正目标概念的互补概念。虽然这有别于在积极空间的任何学习机制，其强度和适用性仍在探索和争议中。 使用探测器的某种形式设置为检测机制。这一特点提供给此方法扩展到分布式环境的可能性（阿甘等，1994;德haeseleer等，1996），特别是分发产生过程的机会。 一类分类。虽然我们的目标是区分两个类，从只有一个类的样品（自体或正常）是可用的系统培训。也有一些工作试图推广这种两类或多类，主要是把否定选择算法嵌入到其他算法中去。然而，否定选择算法的独特之处在于组件，它仍然是一类分类。此属性铸就了它作为分类算法在潜力和适用性上的疑问 要在本次审查讨论的负选择算法的组件包括数据空间表示，探测器的代表性，匹配规则，探测器一代/淘汰机制。粗略地说，每一个主题按这一秩序控制以下的组件。例如，相同的数据空间表示的基础上我们可以讨论的各种探测器交涉的差异，等等。其他相关问题，包括结合不同的策略（包括与不同类型的算法，或与其他AIS的模式，如积极选择的协调），覆盖分析和概念的基础，例如各种型号的统一，或否定选择是否值得一提的关注是在所有必要的和独特的算法 在这方面的术语几乎没有达成共识或一般惯例。往往不同的短语是指相同的想法。一些研究者与数学/算法术语相比更喜欢免疫的术语，而其他正好相反。因此，有必要调和一些广泛使用的术语。在下面的列表中，在大括号{}的术语，是指常见的替代术语作为领头的词汇类似的概念，括号（）表示与免疫对应。 检测器（抗体） 自样本{自我集，训练数据}（自细胞） 传入的数据实例{新的样本数据，数据项}（