In contrast, evolutionary algorithm

In contrast, evolutionary algorithm seems to be well suited for the solution of multiobjective optimization (MOO) problems mainly due to their inherent characteristics concerning the population set based exploration of the search space of a given problem [35]. Out of many evolutionary algorithms, multiobjective genetic algorithm (GA) is the most widely used technique in data mining and knowledge discovery [36]. Applying GA is valuable for its robustness in performing a global search in search space compared with other representative techniques. Several researchers employed single and multiple objective genetic algorithms for finding a set of noninferior solutions for the problem of ID. Such initiative was carried by Parrott et al. [37] by suggesting an evaluation function which was later known as Parrot function. They proposed to use accuracy of each target class as a separate objective in their evaluation function for multiobjective GA. Here, accuracy of each class refers to correctly classified instances of that class. The Parrot function was further adopted by Ahmadian et al. [38, 39] to generate an ensemble of base classifiers. The generation of the ensemble was completed in two stages using modified NSGA—II [40]. In the first stage, a set of base classifiers was generated. Second stage optimized the combination of base classifiers using a fixed combining method. Both of these methods differ in their function evaluation. The former study proposed to optimize the classifiers by minimizing the aggregated error of each class and maximizing diversity among them. Since the error on each class is not treated as separate objective; this is similar to a general error measure such as mean square error MSE, which has the same issues as the implementation of Parrot function, being biased towards the major class(es). In the second phase of the approach proposed by Ahmadian et al. [38, 39], the objectives are to minimize the size of the ensemble and maximize the accuracy. Consequently, the drawback of their approach is to create a single best solution based on general performance metrics. The same concept was further extended by Egen [4] by conducting similar experiments with different evaluation functions for creating an ensemble ofANNs as base classifiers in the presence of imbalanced datasets using NSGA—II. He used 3-class classification by using ANNs and multiobjective GA. He proved that multiobjective GA based approach is an effective way to train the ANN which works well for minority attack classes in imbalanced datasets. He proposed two—phase process for intrusion detection. In the first phase, he generated a set of base classifiers of ANNs by optimizing their weights assuming a fixed number of hidden layers and the number of neurons per hidden layer in ANN. The second phase generates improved nondominated front of ensemble solutions based upon base ANN solutions optimized in phase 1. However, the performance ofNSGA—II degrades for the real world problems having more than three objectives and large population [41].

Kết quả (Việt) 1:

Ngược lại, tiến hóa thuật toán có vẻ là rất thích hợp cho các giải pháp của vấn đề tối ưu hóa multiobjective (MOO) chủ yếu là do đặc điểm của họ vốn có liên quan đến thăm dò dựa đặt dân số lượng tìm kiếm của một vấn đề nhất định [35]. Trong số nhiều thuật toán tiến hóa, thị trấn này có thuật toán di truyền multiobjective (GA) là những sử dụng rộng rãi kỹ thuật trong khám phá kiến thức và khai thác dữ liệu [36]. Áp dụng GA là có giá trị nhất của nó mạnh mẽ trong việc thực hiện một tìm kiếm toàn cầu trong không gian tìm kiếm so với các kỹ thuật đại diện khác. Một số nhà nghiên cứu sử dụng duy nhất và nhiều khách quan thuật toán di truyền cho việc tìm kiếm một bộ noninferior giải pháp cho vấn đề của bạn. Sáng kiến như vậy đã được thực hiện bởi Parrott et al. [37] bằng cách gợi ý một chức năng đánh giá mà sau này được gọi là con vẹt chức năng. Họ đề xuất để sử dụng tính chính xác của mỗi hạng mục tiêu như là một mục tiêu riêng biệt trong chức năng đánh giá của họ cho multiobjective GA. Ở đây, tính chính xác của mỗi lớp đề cập đến phân loại một cách chính xác các trường hợp của lớp đó. Chức năng con vẹt đã tiếp tục được thông qua bởi Ahmadian et al. [38, 39] để tạo ra một dàn máy phân loại cơ sở. Các thế hệ của toàn bộ đã được hoàn thành trong hai giai đoạn sử dụng sửa đổi NSGA — II [40]. Trong giai đoạn đầu tiên, một bộ máy phân loại cơ sở đã được tạo ra. Giai đoạn 2 tối ưu hóa sự kết hợp của máy phân loại cơ sở sử dụng một phương pháp kết hợp cố định. Cả hai của những phương pháp khác nhau của họ đánh giá chức năng. Nghiên cứu trước đây được đề xuất để tối ưu hóa các máy phân loại bằng cách giảm thiểu lỗi tổng hợp của mỗi lớp và tối đa hóa sự đa dạng trong số đó. Kể từ khi lỗi trên mỗi lớp không được điều trị như là mục tiêu riêng biệt; Điều này là tương tự như một biện pháp lỗi chung chẳng hạn như quảng trường có nghĩa là lỗi MSE, trong đó có vấn đề tương tự như việc thực hiện các chức năng con vẹt, được thành kiến về phía class(es) lớn. Trong giai đoạn thứ hai của các phương pháp được đề xuất bởi Ahmadian et al. [38, 39], mục tiêu là để giảm thiểu kích thước của toàn bộ và tối đa hóa sự chính xác. Do đó, hạn chế của phương pháp tiếp cận của họ là để tạo ra một giải pháp tốt nhất duy nhất dựa trên số liệu hiệu suất chung. Cùng một khái niệm đã được mở rộng hơn nữa bởi Egen [4] bởi tiến hành các thí nghiệm tương tự với chức năng đánh giá khác nhau cho việc tạo ra một ofANNs toàn bộ như máy phân loại cơ sở sự hiện diện của mất cân bằng datasets bằng cách sử dụng NSGA-II. Ông đã sử dụng 3 lớp phân loại bằng cách sử dụng ANNs và multiobjective GA. Ông đã chứng minh rằng multiobjective GA dựa trên cách tiếp cận là một cách hiệu quả để đào tạo ANN mà hoạt động tốt cho các lớp học tấn công dân tộc thiểu số ở datasets mất cân bằng. Ông đề nghị hai-giai đoạn quá trình để phát hiện xâm nhập. Trong giai đoạn đầu tiên, ông tạo ra một bộ máy phân loại cơ sở của ANNs bằng cách tối ưu của trọng lượng giả định một số cố định của lớp ẩn và số lượng tế bào thần kinh mỗi lớp ẩn trong ANN. Giai đoạn thứ hai tạo ra trước cải tiến nondominated của toàn bộ các giải pháp dựa trên cơ sở ANN giải pháp tối ưu trong giai đoạn 1. Tuy nhiên, hiệu suất ofNSGA — II làm giảm cho các vấn đề thế giới thực có hơn ba mục tiêu và lớn dân [41].

Kết quả (Việt) 2:

Ngược lại, thuật toán tiến hóa dường như rất thích hợp cho các giải pháp tối ưu hóa multiobjective (MOO) vấn đề chủ yếu là do đặc điểm vốn có của họ liên quan đến việc thăm dò bộ dân số dựa của không gian tìm kiếm của một vấn đề [35]. Trong số rất nhiều thuật toán tiến hóa, thuật toán di truyền multiobjective (GA) là kỹ thuật được sử dụng rộng rãi nhất trong khai phá dữ liệu và khám phá tri thức [36]. Áp dụng GA là có giá trị cho nó mạnh mẽ trong việc thực hiện một tìm kiếm toàn cầu trong không gian tìm kiếm so với các kỹ thuật đại diện khác. Một số nhà nghiên cứu sử dụng các thuật toán di truyền mục tiêu duy nhất và nhiều cho việc tìm kiếm một tập hợp các giải pháp cho các vấn đề noninferior của ID. Chủ động như vậy được thực hiện bởi Parrott et al. [37] bằng cách gợi ý một chức năng thẩm định mà sau này được biết đến như Parrot chức năng. Họ đề xuất sử dụng chính xác của mỗi lớp mục tiêu như là một mục tiêu riêng biệt trong chức năng thẩm định của mình cho multiobjective GA. Ở đây, độ chính xác của từng loại đề cập đến phân loại chính xác các trường hợp của lớp đó. Các chức năng Parrot được tiếp tục áp dụng bởi Ahmadian et al. [38, 39] để tạo ra một tập hợp phân loại cơ sở. Thế hệ của các quần thể được hoàn thành trong hai giai đoạn bằng cách sử dụng biến đổi NSGA-II [40]. Trong giai đoạn đầu tiên, một bộ phân loại cơ bản được tạo ra. Giai đoạn thứ hai tối ưu hóa sự kết hợp của các phân loại cơ sở sử dụng một phương pháp kết hợp cố định. Cả hai phương pháp khác nhau trong đánh giá chức năng của họ. Các nghiên cứu trước đây đã đề xuất để tối ưu hóa việc phân loại bằng cách giảm thiểu các lỗi tổng hợp của từng loại và tối đa hóa sự đa dạng trong số đó. Kể từ khi các lỗi trên mỗi lớp không được điều trị như là mục tiêu riêng biệt; này là tương tự như một biện pháp lỗi chung như lỗi bình phương trung bình MSE, trong đó có các vấn đề tương tự như việc thực hiện các chức năng Parrot, được thiên vị đối với các lớp lớn (es). Trong giai đoạn thứ hai của phương pháp tiếp cận của Ahmadian et al. [38, 39], các mục tiêu là để giảm thiểu kích thước của quần thể và tối đa hóa độ chính xác. Do đó, những hạn chế của phương pháp tiếp cận của họ là tạo ra một giải pháp tốt nhất duy nhất dựa trên số liệu hiệu suất chung. Khái niệm này cũng được tiếp tục mở rộng bởi [4] Egen bằng cách tiến hành thí nghiệm tương tự với chức năng đánh giá khác nhau để tạo ra một bộ quần áo đồng ofANNs như phân loại cơ sở trong sự hiện diện của các bộ dữ liệu mất cân bằng sử dụng NSGA-II. Ông đã sử dụng phân loại 3 lớp bằng cách sử dụng ANNs và multiobjective GA. Ông đã chứng minh rằng phương pháp tiếp cận multiobjective GA dựa là một cách hiệu quả để đào tạo ANN đó hoạt động tốt cho các lớp tấn công thiểu số trong bộ dữ liệu không cân bằng. Ông đề xuất quy trình hai giai đoạn để phát hiện xâm nhập. Trong giai đoạn đầu tiên, ông đã tạo ra một tập hợp các phân loại cơ sở của ANNs bằng cách tối ưu trọng lượng của họ giả định một số cố định của các lớp ẩn và số lượng tế bào thần kinh mỗi lớp ẩn trong ANN. Giai đoạn thứ hai tạo ra được cải thiện trước nondominated các giải pháp dựa trên cơ sở quần giải pháp ANN tối ưu trong giai đoạn 1. Tuy nhiên, hiệu suất ofNSGA-II thoái hóa cho các vấn đề thế giới thực có nhiều hơn ba mục tiêu và dân số lớn [41].