Immune-Based Framework for Exploratory Bio-information Retrieval from the Semantic Web

Lee, Doheon; Kim, Jung-Ja; Jeong, Min-A; Won, Yonggwan; Park, Seon Hee; Lee, Kwang Hyung

doi:10.1007/978-3-540-45192-1_13

Cited by 3 publications

(2 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The notion of AIS for semantic queries was first proposed by Lee et al [1]. They show, using the Gene Ontology (GO) as an example, how data can be retrieved based on the principles of immunity by expanding queries.…”

Section: Related Workmentioning

confidence: 99%

AIS and Semantic Query

Ali

Cayzer

2005

Lecture Notes in Computer Science

View full text Add to dashboard Cite

Abstract. The semantic web has created various exciting opportunities to explore. Here we present a nature inspired solution to one such opportunity; that of semantic queries for information retrieval. We take our inspiration from the human immune system and develop an analogy between antibodies and queries. Successful antibodies are those that are activated by an infection. These antibodies are stimulated to clone, but imperfectly, giving rise to a multitude of similar antibodies that are better suited to tackle the infection. Analogously, queries producing relevant results can be cloned to give rise to various similar queries, each of which may be an improvement on the original query. The semantic web, being concept based, has a set of rules for creating expressive yet standardised queries with clear semantics guiding their modification. This paper discusses the implementation and evaluation of such an immune based information retrieval technique for the semantic web. Two query mutation operators; RandomMutationOperator and ConstrainedMutationOperator are proposed and compared in terms of their precision, recall and convergence. We have found the presented approach to be viable, and we discuss the potential for further improvements.

show abstract

Section: Related Workmentioning

confidence: 99%

AIS and Semantic Query

Ali

Cayzer

2005

Lecture Notes in Computer Science

View full text Add to dashboard Cite

show abstract

“…The list of possible AIS-based applications cannot be completed without mentioning the utilization of the AIS paradigm in bioinformatics [204,76,18] and image processing [15,8]. Moreover, a very interesting application domain emerges within the fields of recommendation [29,152], information retrieval and filtering [131,153], and user modelling [154,155].…”

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

Artificial Immune Systems

Sotiropoulos

Tsihrintzis

2016

Machine Learning Paradigms

View full text Add to dashboard Cite

Immune-Based Framework for Exploratory Bio-information Retrieval from the Semantic Web

Cited by 3 publications

References 13 publications

AIS and Semantic Query

AIS and Semantic Query

Μεθοδολογίες Μηχανικής Μάθησης Βασισμένες Σε Τεχνητά Ανοσοποιητικά Συστήματα

Artificial Immune Systems

Contact Info

Product

Resources

About