Selfie ANN

Selfie ANN

Selfie ANN è un algoritmo in grado di stimare la percezione che un insieme di Entità ha dello spazio in cui si trova collocato. Questa stima permette di prevedere la diffusione di un processo, se le Entità dell’insieme osservato rappresentano un campione del processo stesso.
L’algoritmo Selfie apprende la posizione di ogni Entità in relazione ad ogni altra. In questo modo la posizione di ogni Entità viene appresa in modo collettivo e convergente dalle altre entità.
Quando una nuova Entità (rappresentata tramite un punto) appare in una posizione specifica, tutte le altre Entità visionate da Selfie nella fase di apprendimento tentano di modificare la posizione del nuovo punto in relazione alla logica che hanno precedentemente appreso (la Iper Superficie calcolata ).

Organizzazione dei dati per implementare Selfie ANN:

i, j = indici dei punti assegnati (entità);
n = indice del vettore di input e del vettore di output;
p = indice di un punto generico.

Durante la fase di test si possono presentare 3 casi tipici:

Caso normale 1: Il nuovo punto ha la stessa posizione di una Entità già presente: in questo caso la nuova posizione che gli verrà assegnata sarà simile a quella originaria (in accordo all’errore di training).

Caso normale 2: Il nuovo punto ha coordinate differenti da qualsiasi entità già presente: in questo caso la nuova posizione che gli verrà assegnata sarà diversa da quella originaria, in modo da massimizzare la funzione appresa.

Caso Rilevante: Il nuovo punto ha coordinate differenti da qualsiasi entità già presente, ma questa volta la sua posizione non viene cambiata. Di conseguenza, significa che questo nuovo punto appartiene alla funzione appresa più che le stesse  Entità presenti nella fase di addestramento della rete. Tutti i nuovi punti con coordinate diverse da qualsiasi Entità presente nella fase di addestramento, la cui posizione rimane invariata durante la fase di testing, vengono considerati Entità nascoste (Hidden Entities) della funzione calcolata.
Questi nuovi punti appartengono alla funzione  più che le  Entità presenti. Di conseguenza, essi devono essere considerati i kernel della funzione stessa.

Esempio: Epidemia di  Ebola (October 2014).

Figure: Selfie ANN estimation of Ebola epidemics (Red=diffusion, Circle= Assigned Entities).

Figura: Selfie ANN, stima della diffusione della epidemia di Ebola (aree in rosso= aree di diffusione, Cerchi = Entità Assegnate).