Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Статья имеет ранний доступ!

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
530.182
EDN: 

Механизм обучения коллективного классификатора на основе конкуренции, управляемой обучающими примерами

Авторы: 
Сутягин Алексей Алексеевич, Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)
Канаков Олег Игоревич, Национальный исследовательский Нижегородский государственный университет имени Н. И. Лобачевского (ННГУ)
Аннотация: 

Цель работы состоит в модификации механизма обучения коллективного классификатора для обеспечения возможности его обучения только за счёт популяционной динамики, без внешнего сортирующего устройства. Коллективный классификатор представляет собой ансамбль неидентичных простых элементов, не имеющих собственной динамики и переменных параметров, обучаемый путём изменения состава ансамбля, что достигалось в предшествующей литературе путём «селекции» элементов ансамбля сортирующим устройством.

Методы. Модель популяционной динамики коллективного классификатора дополнена «подсистемой обучения», которая управляется последовательностью обучающих примеров и, в свою очередь, управляет силой внутривидовой конкуренции в популяционной динамике. Динамика подсистемы обучения сводится к линейному отображению со случайными параметрами, выражаемыми через обучающие примеры. Решение отображения представляет собой марковский случайный процесс, стремящийся к стационарному, для которого аналитически найдено математическое ожидание, а дисперсия в рассматриваемом пределе стремится к нулю, что позволяет приближённо описывать связанную популяционную динамику как детерминированную, используя результаты из предшествующей литературы.

Результаты. Аналитически показано и проиллюстрировано численным моделированием, что решающее правило, порождаемое классификатором, сходится в процессе обучения к правилу Байеса в рамках допущений, не отличающихся принципиально от принятых в имеющейся литературе по коллективным классификаторам; реализация требуемой конкурентной динамики не подразумевает использования внешнего сортирующего устройства.

Заключение. Предложена концептуальная модель коллективного классификатора, обучение которого полностью обеспечивается собственной популяционной динамикой. Как и в предшествующей литературе, предполагается возможность реализации такого классификатора в виде ансамбля живых клеток с синтетическими генными структурами, если будет создан механизм популяционной динамики с внутривидовой конкуренцией, управляемой через синтетическую генную сеть.

Благодарности: 
Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации (проект № FSWR-2023-0031)
Список источников: 
  1. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. 608 с.
  2. Alpaydin E. Introduction to Machine Learning. Fourth Edition. Cambridge, Massachusetts: MIT Press, 2020. 683 p.
  3. Сутягин А. А., Канаков О. И. Метод обучения коллективного классификатора на основе конкуренции в режиме сосуществования // Известия вузов. ПНД. 2021. Т. 29, № 2. С. 220–239. DOI: 10.18500/0869-6632-2021-29-2-220-239.
  4. Didovyk A., Kanakov O. I., Ivanchenko M. V., Hasty J., Huerta R., Tsimring L. Distributed classifier based on genetically engineered bacterial cell cultures // ACS Synthetic Biology. 2015. Vol. 4, no. 1. P. 72–82. DOI: 10.1021/sb500235p.
  5. Kanakov O., Kotelnikov R., Alsaedi A., Tsimring L., Huerta R., Zaikin A., Ivanchenko M. Multiinput distributed classifiers for synthetic genetic circuits // PLoS ONE. 2015. Vol. 10, no. 5. P. e0125144. DOI: 10.1371/journal.pone.0125144.
  6. Goh B. S. Global stability in many-species systems // The American Naturalist. 1977. Vol. 111, no. 977. P. 135–143. DOI: 10.1086/283144.
  7. Гнеденко Б. В. Курс теории вероятностей. М.: ЛЕНАНД, 2022. 456 с.
Поступила в редакцию: 
21.10.2023
Принята к публикации: 
30.11.2023
Опубликована онлайн: 
12.01.2024