An Immune Network for Contextual Text Data Clustering

Ciesielski, Krzysztof; Wierzchoń, Sławomir T.; Kłopotek, Mieczysław A.

doi:10.1007/11823940_33

Cited by 11 publications

(5 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Although these problems are evidently of low dimension and with easily distinguishable clusters, thus not fully reflecting real-world clustering problems, it is possible to find several applications of aiNet-based algorithms to real world problems, such as gene expression (Bezerra & de Castro, 2003;Bezerra et al, 2004), document clustering (Ciesielski et al, 2006;Xu et al, 2006), compositional timbre design (Caetano et al, 2005), prediction of landslides (Li et al, 2010), and learning of RBF neural networks (de Castro & Von Zuben, 2001).…”

Section: Illustrative Examples and Applications Of The Ainet Algorithmmentioning

confidence: 99%

“…Finally, another important perspective of research lies in the parallelization of each algorithm so that their inherent parallel mechanisms can explore the actual availability of multi-core systems, which may optimize the execution of (Li et al, 2010), Clustering in Bioinformatics (Bezerra & de Castro, 2003;Bezerra et al, 2004), Learning of RBF Networks (de Castro & Von Zuben, 2001), Document Clustering (Ciesielski et al, 2006;Xu et al, 2006), Compositional Timbre Design (Caetano et al, 2005).…”

Section: Final Commentsmentioning

confidence: 99%

“…Another possibility is associated with the incorporation of different biologically-inspired aspects and mechanisms that may introduce interesting properties to the algorithms and, at the same time, increase their biological relevance. For example, some tendencies in this area seems Prediction of Landslides (Li et al, 2010), Clustering in Bioinformatics (Bezerra & de Castro, 2003;Bezerra et al, 2004), Learning of RBF Networks (de Castro & Von Zuben, 2001), Document Clustering (Ciesielski et al, 2006;Xu et al, 2006), Compositional Timbre Design (Caetano et al, 2005).…”

Section: Final Commentsmentioning

confidence: 99%

See 2 more Smart Citations

Conceptual and Practical Aspects of the aiNet Family of Algorithms

França

Coelho

Castro

et al. 2010

International Journal of Natural Computing Research

View full text Add to dashboard Cite

In this paper, a review of the conceptual and practical aspects of the aiNet (Artificial Immune Network) family of algorithms will be provided. This family of algorithms started with the aiNet algorithm, proposed in 2002 for data clustering and, since then, several variations have been developed for data clustering, biclustering and optimization in general. Although the algorithms will be positioned with respect to other pertinent approaches from the literature, the emphasis of this paper will be on the formalization and critical analysis of the set of contributions produced along almost one decade of research in this specific theme, together with the provision of insights for further extensions.

show abstract

Section: Illustrative Examples and Applications Of The Ainet Algorithmmentioning

confidence: 99%

Section: Final Commentsmentioning

confidence: 99%

Section: Final Commentsmentioning

confidence: 99%

See 1 more Smart Citation

Conceptual and Practical Aspects of the aiNet Family of Algorithms

França

Coelho

Castro

et al. 2010

International Journal of Natural Computing Research

View full text Add to dashboard Cite

show abstract

“…However, they addressed that tree-based structures are not useful for detector generation. [42] used V-detector to detect novelties in Mackey-Glass time series and suggested that the methods for estimation of optimal state-space reconstruction parameters may be used for the estimation of immune-based detection system's parameters.…”

Section: Immune Theory Ais Algorithm Key Immune Componentsmentioning

confidence: 99%

Recent Advances in Artificial Immune Systems: Models and Applications

Dasgupta

Niño

2011

Applied Soft Computing

355

157

View full text Add to dashboard Cite

“…generic title applies to the fundamental problems of pattern recognition which involves the unsupervised and supervised versions of machine learning such as clustering and classification. Papers relating to clustering[159,89,48,156,178,19,36,16,41,35,24,49,36,16] and classification[233,139,81,30,241,234,50,186,173,73,194,67,163,159,247,150,34] have been separated out from the general learning topic as subcategories relating particularly to comparing AIS-based clustering and classification algorithms against conventional techniques. In this context, the relevant papers are primarily interested in formalizing novel clustering or classification algorithms that are subsequently applied on benchmark datasets in order to be compared against state of the art algorithms.…”

mentioning

confidence: 99%

Μεθοδολογίες Μηχανικής Μάθησης Βασισμένες Σε Τεχνητά Ανοσοποιητικά Συστήματα

Sotiropoulos¹,

Σωτηρόπουλος²

View full text Add to dashboard Cite

Η παρούσα διδακτορική διατριβή έγκειται στον ευρύτερο ερευνητικό τομέα της Αναγνώρισης Προτύπων και στοχεύει στην θεωρητική και πειραματική απόδειξη της εγκυρότητας των Τεχνητών Ανοσοποιητικών Συστημάτων ως ένα εναλλακτικό υπόδειγμα μηχανικής μάθησης. Η κύρια πηγή έμπνευσης για τη δημιουργία των Τεχνητών Ανοσοποιητικών Συστημάτων είναι το Προσαρμοστικό Ανοσοποιητικό Σύστημα των σπονδυλωτών οργανισμών το οποίο συνιστά ένα από τα πιο εξελιγμένα βιολογικά συστήματα. Συγκεκριμένα, το Προσαρμοστικό Ανοσοποιητικό Σύστημα έχει προσαρμοστεί μέσω της βιολογικής εξέλιξης κατά τέτοιο τρόπο έτσι ώστε να είναι σε θέση να επιτελεί συνεχώς τη διαδικασία της διάκρισης του εαυτού από τον μη-εαυτό η οποία συνιστά ένα ταξινομητικό πρόβλημα εξαιρετικής ταξικής ανισορροπίας. Η τρέχουσα διδακτορική διατριβή εστιάζει στην αντιμετώπιση των θεμελιωδών προβλημάτων με τα οποία ασχολείται η αναγνώριση προτύπων μέσω της ανάπτυξης αλγορίθμων μηχανικής μάθησης οι οποίοι βασίζονται στα βιολογικά ανοσοποιητικά συστήματα. Ως εκ τούτου, η σχετική έρευνα ενδιαφέρεται ιδιαίτερα για την διατύπωση εναλλακτικών μεθοδολογιών μηχανικής μάθησης για τα προβλήματα της Ομαδοποίησης, της Ταξινόμησης και της Μονοταξικής Ταξινόμησης και την μέτρηση της αποτελεσματικότητάς τους σε σύγκριση με τις πλέον σύγχρονες μεθοδολογίες όπως αυτής των Μηχανών Διανυσματικής Υποστήριξης. Η Ταξινόμηση προτύπων μελετάται ειδικότερα μέσα στο πλαίσιο της Ταξικής Ανισορροπίας η οποία αφορά προβλήματα για τα οποία τα σύνολα των δεδομένων εκπαίδευσης είναι εξαιρετικά ασύμμετρα. Τα πειραματικά δεδομένα που παρουσιάζονται στην παρούσα διατριβή περιλαμβάνουν εκφυλισμένα δυαδικά προβλήματα ταξινόμησης όπου η κλάση ενδιαφέροντος προς αναγνώριση είναι γνωστή μέσω ενός περιορισμένου αριθμού θετικών δειγμάτων. Με άλλα λόγια, η κλάση στόχος καταλαμβάνει μόνο ένα μέρος αμελητέου όγκου από τον συνολικό χώρο των προτύπων ενώ ο συμπληρωματικός χώρος των αρνητικών προτύπων παραμένει εντελώς άγνωστος κατά την διαδικασία της εκπαίδευσης. Η επίδραση του φαινομένου της Ταξικής Ανισορροπίας στην επίδοση του προτεινόμενου ανοσοποιητικού αλγορίθμου ταξινόμησης αποτελεί έναν επιπλέον στόχο της τρέχουσας διατριβής. Το γενικό πλαίσιο πειραματισμού που υιοθετήθηκε σε αυτή την διδακτορική διατριβή, προκειμένου να αποτιμηθεί η αποτελεσματικότητα των προτεινόμενων αλγορίθμων, Ομαδοποίησης, Ταξινόμησης και Μονοταξικής Ταξινόμησης περιλαμβάνει μια ελεύθερη συλλογή χιλίων (1000) μουσικών κομματιών από δέκα (10) μουσικολογικές κλάσεις δυτικής μουσικής. Η συλλογή αυτή, ειδικότερα, έχει χρησιμοποιηθεί εκτενώς σε εφαρμογές που αφορούν στην ανάκτηση μουσικής πληροφορίας και στην ταξινόμηση ως προς το μουσικολογικό είδος. Η λίστα που ακολουθεί συνοψίζει τα προβλήματα αναγνώρισης προτύπων που απευθύνθηκαν στην παρούσα διδακτορική διατριβή μέσω της εφαρμογής εξειδικευμένων αλγορίθμων μηχανικής μάθησης οι οποίοι σχεδιάστηκαν ως βασισμένοι στις αρχές των βιολογικών ανοσοποιητικών συστημάτων.•Artificial Immune System-Based music piece clustering and Database Organization •Artificial Immune System-Based Customer Data Clustering in an e-Shopping Application.•Artificial Immune System-Based Music Genre Classification.•A Music Recommender Based on Artificial Immune Systems.Τα πειραματικά αποτελέσματα που παρουσιάζονται σε αυτή τη διδακτορική διατριβή αποδεικνύουν την εγκυρότητα των Τεχνητών Ανοσοποιητικών Συστημάτων ως ένα εναλλακτικό υπόδειγμα Μηχανικής Μάθησης.

show abstract

An Immune Network for Contextual Text Data Clustering

Cited by 11 publications

References 8 publications

Conceptual and Practical Aspects of the aiNet Family of Algorithms

Conceptual and Practical Aspects of the aiNet Family of Algorithms

Recent Advances in Artificial Immune Systems: Models and Applications

Μεθοδολογίες Μηχανικής Μάθησης Βασισμένες Σε Τεχνητά Ανοσοποιητικά Συστήματα

Contact Info

Product

Resources

About