Mục tiêu của thuật toán là phát triển tập tế bào nhớ được dùng để phân lớp dữ liệu. Các tế bào nhớ nhân tạo này tiêu biểu cho một vài đặc tính trong hệ thống miễn
dịch tự nhiên. Đầu tiên, các tế bào nhớ (tế bào B) phải trải qua quá trình trưởng thành trong cơ thể. Trong hệ miễn dịch ở loài động vật có vú, các tế bào nhớ B này bị kích thích dễ dàng bởi những kháng nguyên xâm hại và trải qua một quá trình đột biến xôma khi phản ứng nhận diện những mầm bệnh xâm lấn. Khái niệm này có thể thấy trong chức năng của tế bào nhớ ở thuật toán AIRS. Các tế bào nhớ nhân tạo cũng đóng vai trò tế bào T và các tế bào kháng nguyên ở mức nhất định. Trong hệ thống miễn dịch tự nhiên, tế bào T có khuynh hướng kết hợp với một quần thể tế bào B cụ thể. Khi một tế bào T nhận ra một kháng nguyên, nó sẽ đưa kháng nguyên này cho tế bào B để kết hợp với nó trong việc nhận dạng xa hơn. Ở thuật toán AIRS, chúng ta có thể thấy rõ trong phần khởi tạo của việc nhận ra tế bào nhớ tương ứng nhằm phát triển quần thể ARB gần giống nhất với tế bào nhớ tương ứng.
Trung tâm của thuật toán AIRS là quá trình tế bào nhớ tiến hóa từ một quần thể ARB. Quá trình tiến hóa này có một vài ý cơ chế cần lưu ý. Cơ chế đầu tiên tạo sự tiến hóa cho quần thể ARB nhằm phát triển tế bào nhớ là cạnh tranh tài nguyên hệ thống. Ý tưởng này bắt nguồn từ quá trình chọn lọc tế bào được xác định và sự tăng cường chất lượng phân lớp được cung cấp. Cũng như thuật giải di truyền, mục đích của việc cạnh tranh tài nguyên là phát triển những cá thể thích nghi nhất. Độ thích nghi trong thuật toán được xác định ngay từ đầu nhờ sự phản ứng kích thích của một ARB đơn lẻ đối với một kháng nguyên. Nó không chỉ cần để kiểm tra sự trả lời kích thích của một tế bào đối với một kháng nguyên mà còn tính toán lớp tế bào khi so sánh với lớp kháng nguyên. Vì vậy, những tế bào có sự hưởng ứng kích thích cao sẽ cùng lớp với kháng nguyên và những tế bào có sự hưởng ứng kích thích thấp không cùng lớp với kháng nguyên giống như kháng nguyên bị hoàn trả nặng nhất. Sự hoàn trả đến dưới hình thức phân phối nhiều tài nguyên hệ thống hơn. Mặt khác, những tế bào có giá trị kích thích thấp nhưng cùng lớp hoặc giá trị kích thích cao nhưng khác lớp với kháng nguyên không chỉ được xem như những tế bào phân lớp nghèo, mà còn là những tế bào phân lớp bất lợi tiềm ẩn, và do đó chúng được hoàn trả ít hơn. Khi những ARB có khả năng giành được tài nguyên kém nhất bị thanh lọc khỏi hệ thống, có một áp lực lớn để tiến hóa ra một nơi trong không gian tìm
kiếm, nơi sẽ cung cấp hầu hết sự hoàn lại. Tuy nhiên, khi duy trì khả năng phát sinh của hệ thống, số lượng lỗi chính xác không được cung cấp như kết quả trả về cho một tế bào cá thể, đúng hơn là những tế bào có mức biểu hiện chất lượng cao hơn được tăng cường.
Những ARB sống sót qua sự cạnh tranh tài nguyên được hoàn lại nhiều hơn bởi cơ hội sản xuất con tiến hóa. Lần nữa, giống như thuật giải di truyền, sự cạnh tranh sống còn có thể nhận thấy trong chiều hướng tiến hóa thực sự. Nghĩa là, khi cá thể thích nghi nhất trong chu kỳ hiện diện kháng nguyên không thể sống sót để thực sự trở thành tế bào nhớ, thì con của chúng lại có thể làm điều đó. Do đó thuật toán xúc tiến khái niệm sự sống sót “loài” của tế bào, sử dụng phương pháp đột biến đặc trưng trong thủ tục huấn luyện. Việc giới thiệu con đột biến vào quần thể ARB cung cấp một khai thác hoàn hảo không gian tìm kiếm. Sự khai thác này được nâng cao nhờ việc sử dụng ngưỡng kích hoạt phải đạt được trước khi quần thể ARB học nhận dạng kháng nguyên. Điều này làm gia tăng áp lực tiến hóa để phát triển tế bào cho quần thể với chất lượng tế bào nhớ mong muốn.
Sau khi một ARB cạnh tranh tài nguyên thành công trong quần thể ARB, nếu nó bị kích thích để phản ứng kháng nguyên huấn luyện và cùng lớp với kháng nguyên, thì nó có cơ hội thêm vào tập tế bào nhớ. Khi một kháng nguyên đi vào hệ thống, tế bào nhớ bị kích thích và cùng lớp với kháng nguyên, được phép tiêm con đột biến vào quần thể ARB. Tuy nhiên, cuối quá trình tiến hóa quần thể ARB, tế bào nhớ nguyên thủy này có thể bị thay thế bởi tế bào nhớ tiến hóa. Điều này chỉ xảy ra khi tế bào nhớ tiến hóa gần kháng nguyên huấn luyện hơn tế bào nhớ nguyên thủy trong không gian tìm kiếm và khi hai tế bào này đủ gần nhau (được định nghĩa bởi tham số người dùng). Theo quan điểm máy học, quá trình này đưa ra khả năng rút gọn dữ liệu cho thuật toán AIRS.
Chương 4
Ứng dụng vào hệ thống chẩn đoán ung thư
Thuật toán Hệ nhận dạng miễn dịch nhân tạo AIRS là một trong những thuật toán phân lớp có khả năng giải quyết vấn đề hiệu quả trong máy học nói chung và trong vấn đề chẩn đoán y khoa nói riêng. Chương 4 xin phép đề cập đến việc xây dựng Hệ thống nhận dạng miễn dịch nhân tạo AIRS và Hệ thống nhận dạng miễn dịch nhân tạo mờ Fuzzy – AIRS trên tập dữ liệu bệnh ung thư vú do UCI cung cấp, trong đó việc phân phối tài nguyên bằng logic mờ là sự thay đổi đáng kể cho hệ thống AIRS.