ACS

ACS – Activation & Competition System  (Semeion©)

ACS è una rete neurale auto-associativa (ANN) dotata di un’architettura non comune: ogni coppia di nodi non è legata da un singolo valore, ma da un vettore di pesi, in cui ogni vettore fa riferimento ad una metrica specifica. Tale “bio-diversità” di combinazioni di metriche è in grado di fornire risultati interessanti poiché ogni metrica descrive dettagli differenti e coerenti di uno stesso insieme di dati. Dunque, ACS è un algoritmo  che costringe tutte le variabili a competere tra loro per diversi aspetti. L’algoritmo ACS, quindi, si basa su matrici di pesi elaborate da altri algoritmi. ACS utilizza queste matrici come un insieme complesso di più vincoli utili per aggiornare le sue unità in risposta a qualsiasi perturbazione in input. ACS funziona, quindi, come una memoria associativa dinamica non lineare. Ogni volta che è impostato un qualsiasi input, ACS attiva tutte le sue unità, allo stesso tempo, in un processo dinamico, competitivo e cooperativo. Questo processo ha fine quando l’evoluzione della trattativa  tra tutte le unità trova il suo attrattore naturale. ACS è una sorta di un complesso sistema C.A.M. (Content Addressable Memory).

Di seguito, viene mostrato un esempio dei risultati della elaborazione di ACS sul noto datset “Gang”  (figure 1a, 1b, 1c).

acs1

acs2

acs3

Le Figure 2a e 2b mostrano la risposta di ACS quando in input viene richiesto di individuare il prototipo della gang dei Jet.

acs4

acs5

Le Figure 3a e 3b mostrano la risposta di ACS quando in input viene richiesto di individuare il prototipo della gang degli Shark.

acs6

acs7

References

[1] P.M.Buscema, F.Newman, G.Massini, E.Grossi, W.J.Tastle, A.K. Liu
Assessing Post-Radiotherapy Treatment Involving Brain Volume Differences in Children: An Application of Adaptive Systems Methodology
Chapter 1, pp 1-23, in W.J. Tastle (ed.), Data Mining Applications Using Artificial Adaptive Systems, DOI 10.1007/978-1-4614-4223-3_1, Springer Science+Business Media New York 2013.

[2] P.M.Buscema, P.L.Sacco
Optimal Informational Sorting: The ACS-ULA Approach
Chapter 6, pp 183-209, in W.J.Tastle (ed.), Data Mining Applications Using Artificial Adaptive Systems, DOI 10.1007/978-1-4614-4223-3_1, Springer Science+Business Media New York 2013.