AiNet – Rede Imunológica Artificial para Agrupamento e Compressão.

A classe AiNet tem como objetivo realizar agrupamento utilizando metáforas inspiradas na teoria da rede imunológica.

A classe AiNet implementa o algoritmo de Rede Imune Artificial para compressão e clustering. Ela utiliza princípios da teoria de redes imunes, seleção clonal e maturação por afinidade para comprimir conjuntos de dados e encontrar clusters 1. Para clustering, pode opcionalmente utilizar uma Árvore Geradora Mínima (MST) para separar nós distantes em grupos.

informação

AiNet estende a classe BaseAiNet, herdando sua funcionalidade básica.

Constructor

class AiNet(
    self,
    N: int = 50,
    n_clone: int = 10,
    top_clonal_memory_size: int = 5,
    n_diversity_injection: int = 5,
    affinity_threshold: float = 0.5,
    suppression_threshold: float = 0.5,
    mst_inconsistency_factor: float = 2.0,
    max_iterations: int = 10,
    k: int = 3,
    metric: MetricType = "euclidean",
    seed: Optional[int] = None,
    use_mst_clustering: bool = True,
    **kwargs
)

Atributos:

• N (int): Número de células de memória (anticorpos) na população. Padrão: 50.

• n_clone (int): Número de clones gerados por célula de memória selecionada. Padrão: 10.

• top_clonal_memory_size (Optional[int]): Número de anticorpos de maior afinidade selecionados para clonagem. Padrão: 5.

• n_diversity_injection (int): Número de novos anticorpos aleatórios injetados para manter a diversidade. Padrão: 5.

• affinity_threshold (float): Limite para seleção/supressão de células. Padrão: 0.5.

• suppression_threshold (float): Limite para remoção de células de memória semelhantes. Padrão: 0.5.

• mst_inconsistency_factor (float): Fator para determinar arestas inconsistentes na MST. Padrão: 2.0.

• max_iterations (int): Número máximo de iterações de treinamento. Padrão: 10.

• k (int): Número de vizinhos mais próximos usados para predição de rótulos. Padrão: 3.

• metric (Literal["manhattan", "minkowski", "euclidean"]): Forma de calcular a distância entre o detector e a amostra:

  • 'euclidean' ➜ Distância dada pela expressão: $\sqrt{(X_{1} – X_{1})^2 + (Y_{2} – Y_{2})^2 + ... + (Y_{n} – Y_{n})^2}$
  • 'minkowski' ➜ Distância dada pela expressão: $( |X_{1} – Y_{1}|^p + |X_{2} – Y_{2}|^p + ... |X_{n} – Y_{n}|^p)^\frac{1}{p}$.
  • 'manhattan' ➜ Distância dada pela expressão: $( |X_{1} – X_{1}| + |Y_{2} – Y_{2}| + ... + |Y_{n} – Y_{n}|)$.

  Padrão: "Euclidean".

• seed (Optional[int]): Semente para geração de números aleatórios. Padrão: None.

• use_mst_clustering (bool): Define se o clustering baseado em MST deve ser utilizado. Padrão: True.

• kwargs:

  • p (float): Parâmetro para distância de Minkowski. Padrão: 2.

Outras variáveis inicializadas:

• _population_antibodies (npt.NDArray): Conjunto atual de anticorpos.
• _memory_network (dict): Dicionário que mapeia clusters para anticorpos.
• _mst_structure (scipy.sparse.csr_matrix): Estrutura de adjacência da MST.
• _mst_mean_distance (float): Média das distâncias das arestas da MST.
• _mst_std_distance (float): Desvio padrão das distâncias das arestas da MST.
• classes (list): Lista de rótulos dos clusters.

---

Métodos Públicos

Função fit(...)

Treina o modelo AiNet com os dados de entrada:

def fit(self, X: npt.NDArray, verbose: bool = True):

Parâmetros de entrada:

• X: Matriz com amostras (linhas) e atributos (colunas).
• verbose: Booleano, padrão True, habilita feedback de progresso.

Retorna a instância da classe.

---

Função predict(...)

Prediz os rótulos dos clusters para novas amostras:

def predict(self, X) -> Optional[npt.NDArray]:

Parâmetros de entrada:

• X: Matriz de atributos de entrada.

Retorna:

• Predictions: Matriz de rótulos de clusters, ou None caso o clustering esteja desabilitado.

---

Função update_clusters(...)

Particiona os clusters utilizando a MST:

def update_clusters(self, mst_inconsistency_factor: Optional[float] = None):

Parâmetros de entrada:

• mst_inconsistency_factor: Valor opcional (float) para sobrescrever o fator de inconsistência da MST.

Atualiza:

• _memory_network: Dicionário de rótulos de clusters para vetores de anticorpos.
• classes: Lista de rótulos de clusters.

---

Métodos Privados

Função _init_population_antibodies(...)

Inicializa a população de anticorpos aleatoriamente.

def _init_population_antibodies(self) -> npt.NDArray:

Parâmetros de entrada: Nenhum

Retorna: Anticorpos inicializados (npt.NDArray).

---

Função _select_and_clone_population(...)

Seleciona os melhores anticorpos e gera clones mutados:

def _select_and_clone_population(self, antigen: npt.NDArray, population: npt.NDArray) -> list:

Parâmetros de entrada:

• antigen: Vetor representando o antígeno para o qual as afinidades serão calculadas.
• population: Matriz de anticorpos a serem avaliados e clonados.

Retorna: Lista de clones mutados.

---

Função _clonal_suppression(...)

Suprime clones redundantes com base em limiares:

def _clonal_suppression(self, antigen: npt.NDArray, clones: list):

Parâmetros de entrada:

• antigen: Vetor representando o antígeno.
• clones: Lista de clones candidatos a serem suprimidos.

Retorna: Lista de clones não redundantes e de alta afinidade.

---

Função _memory_suppression(...)

Remove anticorpos redundantes da memória:

def _memory_suppression(self, pool_memory: list) -> list:

Parâmetros de entrada:

• pool_memory: Lista de anticorpos atualmente na memória.

Retorna: Memória filtrada (list).

---

Função _diversity_introduction(...)

Introduce novos anticorpos aleatórios:

def _diversity_introduction(self) -> npt.NDArray:

Parâmetros de entrada: Nenhum

Retorna: Conjunto de novos anticorpos (npt.NDArray).

---

Função _affinity(...)

Calcula o estímulo entre dois vetores:

def _affinity(self, u: npt.NDArray, v: npt.NDArray) -> float:

Parâmetros de entrada:

• u: Vetor representando o primeiro ponto.
• v: Vetor representando o segundo ponto.

Retorna: Valor de afinidade (float) no intervalo [0,1].

---

Função _calculate_affinities(...)

Calcula a matriz de afinidades entre um vetor de referência e vetores-alvo:

def _calculate_affinities(self, u: npt.NDArray, v: npt.NDArray) -> npt.NDArray:

Parâmetros de entrada:

• u: Vetor de referência (npt.NDArray) de formato (n_features,).
• v: Vetores-alvo (npt.NDArray) de formato (n_samples, n_features).

Retorna: Vetor de afinidades (npt.NDArray) com formato (n_samples,).

---

Função _clone_and_mutate(...)

Gera clones mutados:

def _clone_and_mutate(self, antibody: npt.NDArray, n_clone: int) -> npt.NDArray:

Parâmetros de entrada:

• antibody: Vetor de anticorpo original a ser clonado e mutado.
• n_clone: Número de clones a serem gerados.

Retorna: Matriz de clones mutados (npt.NDArray) de formato (n_clone, len(antibody)).

---

Função _build_mst(...)

Constrói a MST e armazena estatísticas:

def _build_mst(self):

Parâmetros de entrada: Nenhum

Exceções: ValueError se a população de anticorpos estiver vazia.

Atualiza variáveis internas:

• _mst_structure: Estrutura de adjacência da MST.
• _mst_mean_distance: Distância média das arestas.
• _mst_std_distance: Desvio padrão das distâncias das arestas da MST.

---

Referências

1

1. De Castro, Leandro & José, Fernando & von Zuben, Antonio Augusto. (2001). aiNet: An Artificial Immune Network for Data Analysis. Disponível em: https://www.researchgate.net/publication/228378350_aiNet_An_Artificial_Immune_Network_for_Data_Analysis

2

2. SciPy Documentation. Minimum Spanning Tree. Disponível em: https://docs.scipy.org/doc/scipy/reference/generated/scipy.sparse.csgraph.minimum_spanning_tree