Mitmekesine ekspertide meeskond töötab välja närvivõrkude kaitsesüsteemi

Michigani ülikooli inseneridest, bioloogidest ja matemaatikutest koosnev mitmekesine meeskond on välja töötanud adaptiivsel immuunsüsteemil põhineva närvivõrkude kaitsesüsteemi. Süsteem suudab kaitsta närvivõrke erinevat tüüpi rünnakute eest.

Pahatad rühmad saavad kohandada sügava õppimisalgoritmi sisendit, et suunata see valele viisile, mis võib olla suureks probleemiks selliste rakenduste puhul nagu tuvastamine, masinnägemine, loomuliku keele töötlemine (NLP), keeletõlge, tülide tuvastamine ja palju muud. 

Tugev võistlev immuunsüsteemist inspireeritud õppesüsteem

Äsja ehitatud kaitsesüsteemi nimetatakse tugevaks võistlevaks immuunsüsteemist inspireeritud õppesüsteemiks. Teos avaldati aastal IEEE juurdepääs. 

Alfred Hero on John H. Hollandi tunnustatud ülikooli professor. Ta juhtis tööd. 

"RAILS kujutab endast esimest lähenemist võistlevale õppimisele, mis on modelleeritud adaptiivse immuunsüsteemi järgi, mis toimib teisiti kui kaasasündinud immuunsüsteem," ütles Hero. 

Meeskond leidis, et sügavad närvivõrgud, mis on juba ajust inspireeritud, võivad samuti jäljendada imetajate immuunsüsteemi bioloogilist protsessi. See immuunsüsteem genereerib uusi rakke, mis on loodud kaitsma spetsiifiliste patogeenide eest. 

Indika Rajapakse on arvutusmeditsiini ja bioinformaatika dotsent ning uuringu kaasjuht.

“Immuunsüsteem on loodud üllatusteks. Sellel on hämmastav disain ja see leiab alati lahenduse,“ ütles Rajapakse. 

Immuunsüsteemi jäljendamine

RAILS jäljendab immuunsüsteemi loomulikke kaitsemehhanisme, mis võimaldab tuvastada ja käsitleda kahtlaseid sisendeid närvivõrku. Bioloogiline meeskond uuris enne immuunsüsteemi mudeli loomist kõigepealt, kuidas hiirte adaptiivsed immuunsüsteemid antigeenile reageerisid. 

Seejärel viis teabe andmete analüüsi läbi Stephen Lindsly, kes oli sel ajal bioinformaatika doktorant. Lindsly aitas seda teavet bioloogide ja inseneride vahel tõlkida, mis võimaldas Hero meeskonnal bioloogilist protsessi arvutites modelleerida. Selleks segas meeskond koodi bioloogilisi mehhanisme. 

RAILSi kaitsemehhanisme testiti võistlevate sisenditega.

"Me ei olnud kindlad, kas olime bioloogilist protsessi tõesti tabanud, kuni võrdlesime RAILSi õppimiskõveraid katsetest eraldatutega," ütles Hero. "Nad olid täpselt samad." 

RAILS edestas kahte kõige tavalisemat masinõppeprotsessi, mida praegu kasutatakse võistlevate rünnakute vastu võitlemiseks. Need kaks protsessi on Roust Deep k-Lähim naaber ja konvolutsioonilised närvivõrgud. 

Ren Wang on elektri- ja arvutitehnika teadur. Tema vastutas suures osas tarkvara arendamise ja juurutamise eest. 

"Selle töö üks paljutõotav osa on see, et meie üldine raamistik suudab kaitsta erinevat tüüpi rünnakute eest," ütles Ren Wang. 

Seejärel kasutasid teadlased kujutise tuvastamist testjuhtumina, et hinnata RAILSi kaheksat tüüpi võistleva rünnaku vastu erinevates andmekogumites. See näitas paranemist kõigil juhtudel ja kaitses isegi Projitseeritud Gradient Descenti rünnaku eest, mis on kõige kahjulikum võistleva rünnaku tüüp. RAILS parandas ka üldist täpsust.

"See on suurepärane näide matemaatika kasutamisest selle kauni dünaamilise süsteemi mõistmiseks," ütles Rajapakse. "Võib-olla saame kasutada RAILSilt õpitut ja aidata immuunsüsteemi ümber programmeerida, et see kiiremini töötaks."