课堂静默：分类、噪声与树突细胞算法
机器学习
2013-07-05 v1 密码学与安全
摘要
对树突细胞算法 (DCA) 的理论分析对其底层结构和操作提出了若干批评。因此，文献中提出了几种修改和修正方案以纠正这些发现。本文的贡献之一是研究用传统机器学习技术替换 DCA 分类阶段（已知存在缺陷）的效果。本文进一步质疑 DCA 那些尚未被彻底分析的独特属性的价值。如果无法发现这些属性优于传统方法，那么“修复”DCA 的效率可能不如直接创建新算法。本文考察了 DCA 的动态过滤特性，并质疑该独特功能在异常检测问题中的实用性。研究发现，虽然该特性对于噪声大且按时间排序的分类具有优势，但在处理合成数据集时，其效用不如传统的静态过滤器。结论认为，DCA 仍有待研究的独特特性。文章提出了可能对人工免疫系统社区有益的领域。
引用
@article{arxiv.1307.1391,
title = {Quiet in Class: Classification, Noise and the Dendritic Cell Algorithm},
author = {Feng Gu and Jan Feyereisl and Robert Oates and Jenna Reps and Julie Greensmith and Uwe Aickelin},
journal= {arXiv preprint arXiv:1307.1391},
year = {2013}
}
备注
Proceedings of the 10th International Conference on Artificial Immune Systems (ICARIS 2011), LNCS Volume 6825, Cambridge, UK, pp 173-186, 2011