Известия высших учебных заведений

Прикладная нелинейная динамика

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


Для цитирования:

Сутягин А. А., Канаков О. И. Метод обучения коллективного классификатора на основе конкуренции в режиме сосуществования // Известия вузов. ПНД. 2021. Т. 29, вып. 2. С. 220-239. DOI: 10.18500/0869-6632-2021-29-2-220-239

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 297)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
530.182

Метод обучения коллективного классификатора на основе конкуренции в режиме сосуществования

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

Цель работы состоит в создании новой стратегии обучения коллективного классификатора, в результате применения которой классификатор аппроксимирует байесовское решающее правило. Коллективный классификатор – ансамбль простых элементов, каждый из которых характеризуется определённой функцией отклика и не имеет собственной динамики и переменных параметров. Обучение происходит путём формирования состава ансамбля (численностей элементов разных типов). Известная ранее стратегия обучения была основана на конкурентной популяционной динамике в режиме с единственным победителем, что сильно ограничивало возможности обучения, например, для классов с бимодальными распределениями вероятностей. Методы. Популяционная динамика стратегии обучения модифицирована для обеспечения глобально устойчивого режима сосуществования и описана в форме дискретного стохастического алгоритма селекции элементов ансамбля и в виде системы дифференциальных уравнений непрерывного приближения. Наличие аналитического выражения для устойчивого состояния равновесия позволяет целенаправленно формировать алгоритм обучения для достижения требуемого результата. Описан алгоритм, обеспечивающий сходимость классификатора к байесовскому решающему правилу в определённом предельном случае. Результаты. Численным интегрированием дифференциальных уравнений и имитационным моделированием алгоритма селекции на примере задачи классификации с бимодальным распределением подтверждены все положения теории, включая взаимное соответствие дискретного и непрерывного описаний, сосуществование элементов с разными функциями отклика в обученном ансамбле и формирование суммарной функции отклика, аппроксимирующей байесовское решающее правило. Имитационное моделирование показывает, что относительная величина флуктуаций численностей типов элементов может быть снижена путём увеличения полной численности ансамбля. Заключение. По смыслу коллективного классификатора, применения предлагаемого подхода следует ожидать при создании классификаторов на базе ансамблей элементов ограниченной сложности, например, «умной пыли» – миниатюрных предельно упрощенных сенсорных устройств или генетически перепрограммированных ансамблей живых клеток, используемых в качестве биосенсоров. Реализация предлагаемого режима сосуществования осложняет механизм обучения, но расширяет круг доступных задач классификации.

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. Cambridge, Massachusetts: MIT press, 2020. 712 p.
  3. Гмурман В. Е. Теория вероятностей и математическая статистика. М.: ЮРАЙТ, 2019. 479 с.
  4. Jameson S. C. Maintaining the norm: T-cell homeostasis // Nature Reviews Immunology. 2002. Vol. 2, no. 8. P. 547–556. DOI: 10.1038/nri853.
  5. Starr T. K., Jameson S. C., Hogquist K. A. Positive and negative selection of T cells // Annual Review of Immunology. 2003. Vol. 21, no. 1. P. 139–176. DOI: 10.1146/annurev.immunol.21.120601.141107.
  6. Palmer E. The T-cell antigen receptor: a logical response to an unknown ligand // Journal of Receptors and Signal Transduction. 2006. Vol. 26, no. 5–6. P. 367–378. DOI: 10.1080/10799890600919094.
  7. Surh C. D., Sprent J. Homeostasis of naive and memory T cells // Immunity. 2008. Vol. 29, no. 6. P. 848–862. DOI: 10.1016/j.immuni.2008.11.002.
  8. Иванченко М.В. Конкуренция в двухкомпонентной модели ансамбля иммунных т-клеток // Известия вузов. ПНД. 2010. Т. 18, № 3. С. 33–45. DOI: 10.18500/0869-6632-2010-18-3-33-45.
  9. Ivanchenko M. V. Transient selection in multicellular immune networks // JETP Letters. 2011. Vol. 93, no. 1. P. 35–40. DOI: 10.1134/S0021364011010048.
  10. Bolkhovskaya O. V., Zorin D. Y., Ivanchenko M. V. Assessing T cell clonal size distribution: a non-parametric approach // PLoS One. 2014. Vol. 9, no. 10. P. e108658. DOI: 10.1371/journal.pone.0108658.
  11. Dasgupta D., Yu S., Nino F. Recent advances in artificial immune systems: models and applications // Applied Soft Computing. 2011. Vol. 11, no. 2. P. 1574–1587. DOI: 10.1016/j.asoc.2010.08.024.
  12. Didovyk A., Kanakov O. I., Ivanchenko M. V. et al. Distributed classifier based on genetically engineered bacterial cell cultures // ACS Synthetic Biology. 2015. Vol. 4, no. 1. P. 72–82. DOI: 10.1021/sb500235p.
  13. Kanakov O., Kotelnikov R., Alsaedi A. et al. Multi-input distributed classifiers for synthetic genetic circuits // PLoS One. 2015. Vol. 10, no. 5. P. e0125144. DOI: 10.1371/journal.pone.0125144.
  14. Schaerli Y., Isalan M. Building synthetic gene circuits from combinatorial libraries: screening and selection strategies // Molecular BioSystems. 2013. Vol. 9, no. 7. P. 1559–1567. DOI: 10.1039/c2mb25483b.
  15. Sailor M. J., Link J. R. «Smart dust»: nanostructured devices in a grain of sand // Chemical Communications. 2005. No. 11. P. 1375–1383. DOI: 10.1039/b417554a.
  16. Трубецков Д.И. Феномен математической модели Лотки–Вольтерры и сходных с ней // Известия вузов. ПНД. 2011. Т. 19, № 2. С. 69–88. DOI: 10.18500/0869-6632-2011-19-2-69-88.
  17. Рабинович М. И., Трубецков Д. И. Введение в теорию колебаний и волн. Москва–Ижевск: НИЦ «Регулярная и хаотическая динамика», 2000. С. 343–346.
  18. Гаузе Г. Ф. Борьба за существование. Москва–Ижевск: Институт компьютерных исследований, 2002. 160 с.
  19. Разжевайкин В. Н. Многокомпонентный принцип Гаузе в моделях биологических сообществ // Журнал общей биологии. 2017. Т. 78, № 5. С. 3–14.
  20. Goh B. S. Global stability in many-species systems // The American Naturalist. 1977. Vol. 111, no. 977. P. 135–143. DOI: 10.1086/283144.
  21. Dickschat J. S. Quorum sensing and bacterial biofilms // Natural Product Reports. 2010. Vol. 27, no. 3. P. 343–369. DOI: 10.1039/b804469b.
Поступила в редакцию: 
10.08.2020
Принята к публикации: 
11.11.2020
Опубликована: 
31.03.2021