BNSA

Algoritmo de Seleção Negativa Binária (BNSA).

Herança

Esta classe herda de BaseClassifier

Módulo: aisp.nsa
Importação: from aisp.nsa import BNSA

---

Visão geral

Algoritmo para classificação e detecção de anomalias baseado na distinção entre próprio e não-próprio, inspirado no algoritmo de seleção negativa.

observação

O Binary Negative Selection Algorithm (BNSA) é baseado na proposta original de Forrest et al. (1994) ¹, desenvolvido para segurança na computação. Nesta adaptação, o algoritmo usa arrays de bits e possuir suporte para classificação multiclasse.

aviso

Valores altos de aff_thresh podem impedir que gere detectores válidos para a detecção do não-próprio.

---

Exemplo

from aisp.nsa import BNSA

# Binary 'self' samples
x_train = [
    [0, 0, 1, 0, 1],
    [0, 1, 1, 0, 1],
    [0, 1, 0, 1, 0],
    [0, 0, 1, 0, 1],
    [0, 1, 1, 0, 1],
    [0, 1, 0, 1, 0]
]
y_train = ['self', 'self', 'self', 'self', 'self', 'self']
bnsa = BNSA(aff_thresh=0.55, seed=1)
bnsa = bnsa.fit(x_train, y_train, verbose=False)
# samples for testing
x_test = [
    ...[1, 1, 1, 1, 1],  # Sample of Anomaly
    ...[0, 1, 0, 1, 0],  # self sample
    ...]
y_prev = bnsa.predict(X=x_test)
print(y_prev)

Output

['non-self' 'self']

---

Parâmetros do Construtor

Nome	Tipo	Default	Descrição
N	int	100	Quantidade de detectores.
aff_thresh	float	0.1	Representa a porcentagem de similaridade entre a célula T e as amostras próprias. O valor padrão é de 10% (0,1), enquanto que o valor de 1,0 representa 100% de similaridade.
max_discards	int	1000	Número máximo de descartes de detectores em sequência, com o objetivo de evitar um possível loop infinito caso seja definido um raio que não seja possível gerar detectores do não-próprio.
seed	Optional[int]	None	Seed para geração aleatória.
no_label_sample_selection	str	'max_average_difference'	Método utilizado para a escolha de rótulos para amostras classificada como não-próprio por todos os detectores.

Atributos

Nome	Tipo	Padrão	Descrição
detectors	Optional[Dict[str | int, npt.NDArray[np.bool_]]]	-	Conjunto de detectores, organizados por classe.

---

Métodos Públicos

fit

def fit(
    self,
    X: Union[npt.NDArray, list],
    y: Union[npt.NDArray, list],
    verbose: bool = True,
) -> BNSA:
    ...

Treinamento de acordo com X e y, utilizando o algoritmo de seleção negativa.

Parâmetros

Nome	Tipo	Padrão	Descrição
X	Union[npt.NDArray, list]	-	Amostras de entrada para treinamento. Cada linha corresponde a uma amostra e cada coluna a uma característica.
y	Union[npt.NDArray, list]	-	Vetor alvo no formato (n_samples,). Deve conter o mesmo número de amostras que X.
verbose	bool	True	Se True, exibe informações sobre o progresso do treinamento.

Returns

Tipo	Descrição
Self	Retorna a instancia da classe.

Exceções

Exceção	Descrição
TypeError	Se X ou y não forem ndarrays ou tiverem tamanhos incompatíveis.
ValueError	Se X possuir valores diferentes de (0 e 1) ou (True e False).
MaxDiscardsReachedError	Se o número máximo de descartes for atingido durante a maturação. Verifique o valor do raio definido e considere reduzi-lo.

---

predict

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

Prever as classes com base nos detectores gerados após o treinamento.

Parâmetros

Nome	Tipo	Padrão	Descrição
X	Union[npt.NDArray, list]	-	Amostras de entrada. Deve ter o mesmo número de características usadas no treinamento.

Returns

Tipo	Descrição
npt.NDArray	Array C (n_samples), contendo as classes prevista para X.

Exceções

Exceção	Descrição
TypeError	Se X não for ndarray ou list.
ValueError	Se X possuir valores diferentes de (0 e 1) ou (True e False).
FeatureDimensionMismatch	Se o número de característica (colunas) em X não corresponder ao valor esperado.
ModelNotFittedError	Se o modelo ainda não tiver sido treinado e não possuir detectores ou classes definidas.

---

Exemplos Estendidos

Exemplos completos de uso estão disponíveis nos notebooks Jupyter:

• Exemplos

---

Referências

Footnotes

1. S. Forrest, A. S. Perelson, L. Allen and R. Cherukuri, "Self-nonself discrimination in a computer," Proceedings of 1994 IEEE Computer Society Symposium on Research in Security and Privacy, Oakland, CA, USA, 1994, pp. 202-212, doi: https://dx.doi.org/10.1109/RISP.1994.296580. ↩