искусственные иммунные сети, искусственный интеллект, устойчивое обучение искусственного интеллекта

Для функционирования сайта могут собираться метаданные (сcookie, IP-адрес, местоположение). Если Вы не хотите, чтобы эти данные обрабатывались, то покиньте сайт.

Искусственные иммунные сети
как основа искусственного интеллекта

Важнейшим свойством для искусственного интеллекта (ИИ) является возможность быстрого и устойчивого обучения на малом числе примеров, что означает способность ИИ обрабатывать большие объемы данных, а также формировать достоверные решения и делать высокоточные предсказания, даже если обучающая выборка ограничена в объеме и не в полной мере репрезентативна.
В рамках проекта предлагается альтернативный нейронным сетям биоинспирированный подход, который может применяться при малых объемах и низкой репрезентативности обучающих выборок.

новая модель ИИС

в машинном обучении

Предложены абстрактная модель искусственной иммунной сети (ИИС) на базе комитета классификаторов и устойчивые алгоритмы ее обучения (с учителем и с подкреплением) для задач классификации.
Разработанная модель ИИС обладает эмерджентностью, памятью, двойной пластичностью, устойчивостью обучения. Под устойчивостью понимается малая склонность к переобучению.

ИИС в биометрии

и других задачах

"Глубокие" нейронные сети требуют наличия больших объемов обучающей выборки. Но существует множество задач, характеризующихся малыми объемами экспериментальных данных. Например, формирование выборки для медицинских исследований сопряжено с необходимостью верификации заболевания у пациента, что часто связано с инвазивными исследованиями. Обычно выборки достаточного объема собираются в течение многих лет.
Наиболее явно проблема малого объема и низкой репрезентативности обучающих выборок проявляется при создании автоматов биометрической идентификации и аутентификации. Специфика этих задач заключается в том, что настройка биометрической системы должна выполняться быстро (нельзя требовать от пользователя повторять ввод данных много раз, иначе система не будет востребована на практике). Данный пример характерен тем, что проблема нехватки выборки в будущем никуда не исчезнет, независимо от того, какие объемы биометрических данных накоплены исследователями по всему миру. В реальной практике система все равно будет обучаться на малом числе примеров (10-30).

Основные публикации

по тематике "Искусственные иммунные сети"

Абстрактная модель искусственной иммунной сети на основе комитета классификаторов и ее использование для распознавания образов клавиатурного почерка

биометрическая аутентификация, бэггинг, бустинг, подпространства признаков, машинное обучение на малых выборках, ансамбли моделей
http://www.mathnet.ru/links/e12035696decffaaf458449f2cfe2a48/co853.pdf

Сулавко, А.Е. Абстрактная модель искусственной иммунной сети на основе комитета классификаторов и ее использование для распознавания образов клавиатурного почерка // Компьютерная оптика. – 2020. – Т. 44, № 5. – С. 830-842. – DOI: 10.18287/2412-6179-CO-717
Sulavko AE. An abstract model of artificial immune network based on classifiers committee for biometric patterns recognition on the example of keystroke dynamics. Computer Optics 2020. – Т. 44, № 5. – С. 830-842. – DOI: 10.18287/2412-6179-CO-717

Предложены абстрактная модель искусственной иммунной сети (ИИС) на базе комитета классификаторов и два алгоритма ее обучения (с учителем и с подкреплением) для задач классификации, которые характеризуются малыми объемами и низкой репрезентативностью обучающих выборок. Оценка эффективности модели и алгоритмов выполнена на примере задачи аутентификации по клавиатурному почерку с использованием 3-х баз данных биометрических образов. Разработанная ИИС обладает эмерджентностью, памятью, двойной пластичностью, устойчивостью обучения. Эксперименты показали, что ИИС дает меньший или сопоставимый процент ошибок по сравнению с некоторыми архитектурами нейронных сетей при гораздо меньшем объеме обучающей выборки.

Classification of Borrowers Using an Immune Model of Artificial Intelligence in Credit Scoring Tasks

искусственный интеллект, классификация заемщиков, кредитный скоринг, иммунная система, машинное обучение, нейронные сети
https://ieeexplore.ieee.org/document/10347877

A. E. Sulavko, A. E. Serikova, G. A. Suvyrin, A. E. Samotuga, M. V. Sorokovaya and Y. A. Dorogov, "Classification of Borrowers Using an Immune Model of Artificial Intelligence in Credit Scoring Tasks," 2023 IEEE XVI International Scientific and Technical Conference Actual Problems of Electronic Instrument Engineering (APEIE), Novosibirsk, Russian Federation, 2023, pp. 1410-1418, doi: 10.1109/APEIE59731.2023.10347877.

Для финансовых организаций одной из важнейших задач является кредитный скоринг – оценка кредитоспособности и платежеспособности потенциальных клиентов. Классификация клиентов по группам риска позволяет банкам принимать решения о выдаче кредита. Предлагается подход, позволяющий использовать любые типы признаков и достигать высокой точности прогнозов на различных наборах данных. В исследовании использовались наборы открытых данных, наиболее часто используемые разработчиками систем кредитного скоринга. Для классификации клиентов в соответствии с требованиями кредитного риска используется модель искусственной иммунной сети и устойчивые алгоритмы ее обучения. В зависимости от наборов данных достигнуты следующие показатели ошибок классификации клиентов по уровню кредитного риска: от 0,031 до 0,18. По сравнению с анализируемыми публикациями размер обучающей выборки сократился в 2,5-11 раз, а полученные показатели надежности соответствуют мировому уровню или превышают самые высокие достигнутые ранее.

Bayes-Minkowski measure and building on its basis immune machine learning algorithms for biometric facial identification

распознавание образов, пространство признаков, биометрия, корреляционная зависимость признаков, информативность признаков, устойчивость машинного обучения
https://iopscience.iop.org/article/10.1088/1742-6596/1546/1/012103/pdf

Sulavko A.E. Bayes-Minkowski measure and building on its basis immune machine learning algorithms for biometric facial identification // Journal of Physics: Conference Series. - Vol. 1546. - IV International Scientific and Technical Conference "Mechanical Science and Technology Update" (MSTU-2020) 17-19 March, 2020, Omsk, Russian Federation. - doi:10.1088/1742-6596/1546/1/012103

В настоящей работе предложена новая мера близости Байеса-Минковского, которую можно использовать для обработки коррелированных биометрических, биомедицинских и других данных (с нормальным законом распределения или близким к нему). Мера Байеса-Минковского является критерием-антагонистом по отношению к мере Минковского, так как проявляет противоположные свойства. На основе этих мер близости можно построить гибридную сеть классификаторов и применить к этой сети иммунные алгоритмы обучения, что было продемонстрировано в работе на примере задач идентификации и верификации личности человека по изображению лица. Вероятности ошибок идентификации и верификации лиц составили: 0.0029 и 0.0017, соответственно.

Искусственный интеллект в защищенном исполнении на базе иммунных сетевых моделей распознавания образов на примере преобразователей биометрия-код

клавиатурный почерк, подпись, изображение лица, нейронные сети, комитеты классификато-ров, машинное обучение, защищенные нейросетевые контейнеры
ознакомиться с работой на researchgate.net

Шалина Е.В., Малинин Н.В., Сулавко А.Е., Стадников Д.Г. Искусственный интеллект в защищенном исполнении на базе иммунных сетевых моделей распознавания образов на примере преобразователей биометрия-код // Вопросы защиты информации. – 2020. - №2. – С. 31-40

Показано, что на базе предложенных авторами моделей искусственных иммунных сетей потенциально возможно построение систем искусственного интеллекта (ИИ), устойчивых к попыткам совершения следующих действий любым неавторизованным лицом: анализ операций, совершаемых ИИ, не-санкционированное управление ИИ, извлечение знаний из ИИ. Рассмотрены задачи ИИ, связанные с биометрической идентификацией и аутентификацией.

Интеллектуальная система обнаружения сетевых атак на основе механизмов искусственной иммунной системы

система обнаружения атак, искусственная иммунная система, KDD99, информационная безопасность, безопасность сети, сетевая атака
https://moit.vivt.ru/?p=8637&lang=ru

В.И. Васильев, Р.Р. Шамсутдинов. Интеллектуальная система обнаружения сетевых атак на основе механизмов искусственной иммунной системы // Моделирование, оптимизация и информационные технологии. – 2019. - №1. – С. 521-535

Статья посвящена проблеме обнаружения сетевых атак, как известных, так и неизвестных ранее. Проанализировано применение различных методов искусственного интеллекта к решению данной проблемы в научной литературе, выявлены преимущества искусственной иммунной системы, проанализированы основные ее механизмы: генерации и негативной селекции искусственных лимфоцитов, их периодического обновления, определения факта их реагирования и клональной селекции среагировавших лимфоцитов; описана разработанная система обнаружения атак на основе искусственной иммунной системы, содержащая подсистему сниффинга, что позволяет ей анализировать реальные данные о сетевых соединениях на уровне хоста. Также был описан набор данных о сетевых соединениях KDD99, с использованием которого проведена оценка эффективности разработанной системы. Проанализирована научная литература, предлагающая способы сжатия исходного множества данных, выявлены недостатки предложенных способов, проведено самостоятельное экспериментальное определение значимых параметров сетевых соединений, содержащихся в наборе данных. Было идентифицировано 13 значимых параметров из 41. Описана предварительная обработка и подготовка анализируемых данных, серия проведенных экспериментов, по результатам которых была определена высокая эффективность разработанной системы в обнаружении неизвестных сетевых атак, обнаружении и классификации известных атак.

Иммунные алгоритмы распознавания образов и их применение в биометрических системах (Обзор)

распознавание образов, биометрия, пространство признаков, обучение, иммунные сети, дендритные клетки, негативный отбор, клональная селекция
ознакомиться с работой на researchgate.net

Обобщены и описаны существующие алгоритмы, применяемые для интеллектуального анализа данных и распознавания образов, основанные на использовании принципов работы иммунной системы. Резюмированы основные результаты по использованию иммунных алгоритмов для решения задач биометрической идентификации и аутентификации. Описаны преимущества искусственных иммунных систем по сравнению с искусственными нейронными сетями и "нечеткими экстракторами", которые применяются при создании биометрических систем аутентификации. Рассмотрены проблема безопасного хранения биометрических эталонов при использовании иммунных алгоритмов и варианты ее возможного решения.