ALGORITMOS DE SELECCIN NEGATIVA

1
ALGORITMOS DE SELECCIÓN NEGATIVA

• Ing. Óscar Miguel Alonso M.
• Lab. de Investigación en Sistemas Inteligentes
• Depto. de Ingeniería de Sistemas e Industrial
• Universidad Nacional, Sede Bogotá
• omalonsom_at_unal.edu.co

2
Agenda Modulo AIS

• Charla 1 Introducción a AIS
• Charla 2 Selección negativa
• Charla 3 Selección clonal y redes inmunes
  artificiales
• Charla 4 Aplicaciones

3
Agenda

• Objetivo del Algoritmo
• Motivación biológica
• Descripción del Algoritmo
• Representación de datos
• Medidas de matching
• Generación de detectores

4
Objetivo del Algoritmo
Generar un conjunto de detectores que sean
capaces de detectar anomalías en un conjunto de
datos
5
Motivación biológica

• El sistema inmune es capaz de diferenciar entre
  elementos del cuerpo y elementos extraños y
  potencialmente dañinos.
• Inspiración La maduración de las Células T en el
  timo permite que las células generadas ataquen
  elementos extraños y toleren los elementos
  propios del cuerpo

6
Motivación biológica

• Las células T se desarrollan en la medula ósea
  mediante un proceso de variación genética
  pseudo-aleatoria. Luego pasan por un proceso de
  maduración en el Timo.
• Las células que reaccionen contra células del
  cuerpo son destruidas.
• Las demás salen para cumplir funciones
  inmunológicas en el cuerpo.

7
Selección Negativa Selección de las células T
en el Timo
8
Selección Negativa Detección
9
Descripción del algoritmo

• Sirve para desarrollar sistemas de clasificación
  de anomalías Clasifica una serie de entradas en
  normales y anormales
• Es un algoritmo off-line requiere una fase de
  entrenamiento antes de ponerse en producción
• Para el entrenamiento solo requiere ejemplos de
  entradas normales.

10
Selección Negativa Generación de Detectores
(entrenamiento)
11
Selección Negativa Monitoreo de Datos
12
Representación de datos

• La representación de datos depende de la
  naturaleza de los datos que se deseen monitorear
• Datos continuos números reales, generalmente
  vectores de datos reales
• Datos discretos datos categóricos, números
  discretos

13
Representación de datos

• Datos discretos -gt Strings binarios
• Datos continuos -gt Vectores reales

14
Representación de datos

• Ejemplo representar un documento de texto.
• Opción 1 hay una serie de palabras clave, y una
  representación del documento dice si la palabra
  i-esima esta o no en el documento.
• Opción 2 hay una serie de palabras clave y una
  representación del documento dice la frecuencia
  de cada palabra

15
Representación de datos

• Palabras clave
• economía, educación, comercio, teatro, mundial
• Globalización es un término moderno especialmente
  usado para describir los cambios en las
  sociedades y la economía mundial que resultan en
  un incremento sustancial del comercio
  internacional y el intercambio cultural mundial.

16
Representación de datos

• Representación Discreta
• Representación Continua

17
Representación de detectores

• Datos discretos
• Strings Binarios
• Datos continuos
• Hyper-esferas, reglas, otras figuras
• Los string binarios pueden incluir caracteres
  comodín

18
Medidas de Matching

• Medidas de Matching entre dos Strings
• Igualdad
• Distancia de Hamming
• r-contiguous bits
• r-chunks
• Edit distance

19
Medidas de Matching

• Medidas de Matching para datos reales
• Detector representado hyper-esfera es detectado
  por el detector si la distancia del punto al
  centro del detector es menor al radio
• Reglas es detectado si satisface alguna regla

20
Generación de detectores

• Representacion por strings
• Generacion aleatoria
• Algoritmo voraz
• Algoritmo Dinamico

21
Generación de detectores

• Representacion por hyper-esferas
• Generacion aleatoria
• Algoritmos evolutivos

22
(No Transcript)
23
(No Transcript)
24
GRACIAS