# (参考訳) 光記録昆虫信号のクラスタリングによる生物多様性の定量化のための動的$\beta$-VAEs [全文訳有]

Dynamic $\beta$-VAEs for quantifying biodiversity by clustering optically recorded insect signals ( http://arxiv.org/abs/2102.05526v1 )

ライセンス: CC BY 4.0
Klas Rydhmer, Raghavendra Selvan(参考訳) 昆虫は動物の最大かつ最も多様なグループであるが、caを構成する。 80%の種が知られているが,小ささと種間の類似性から研究が困難である。 従来の監視技術は、捕獲された昆虫の種、あるいは家族レベルを特定するために、熟練した専門家によるトラップ法や退屈な顕微鏡ベースの作業に依存する。 研究者や政策立案者は、昆虫数の急速な減少による生物多様性の保全と人間の食料生産の確保のために、スケーラブルな監視ツールを緊急に必要としています。 近年の研究では、検出対象の種を特定せずに、種多様性や種均等といった従来の生物多様性対策の指標として、教師なしクラスタリングを用いたより広範な分析が試みられている。 既存の昆虫群集法を改善するため,系統群によるデータのクラスタリングが可能な変分オートエンコーダ(VAE)の適応的変種を提案する。 提案された動的$\beta$-vae は、リコンストラクションのスケーリングと正規化損失項 (\beta$ value) を動的に適応させ、入力データの有用な潜在表現をもたらす。 本研究は,南スカンジナビア地域からの光学的記録された昆虫信号に対する動的$\beta$-vaeの有用性を実証する。 また,ラベル付きデータの小さなサブセットを用いて,半教師付き設定におけるクラスタリング性能の向上を示す。 これらの実験結果は、教師なしと半監督なしの両方で、動的に$\beta$-vaeが有望であり、近い将来、昆虫をモニターし、急速に減少する昆虫の生物多様性を保存できる。

While insects are the largest and most diverse group of animals, constituting ca. 80% of all known species, they are difficult to study due to their small size and similarity between species. Conventional monitoring techniques depend on time consuming trapping methods and tedious microscope-based work by skilled experts in order to identify the caught insect specimen at species, or even family, level. Researchers and policy makers are in urgent need of a scalable monitoring tool in order to conserve biodiversity and secure human food production due to the rapid decline in insect numbers. Recent work has aimed for a broader analysis using unsupervised clustering as a proxy for conventional biodiversity measures, such as species richness and species evenness, without actually identifying the species of the detected target. In order to improve upon existing insect clustering methods, we propose an adaptive variant of the variational autoencoder (VAE) which is capable of clustering data by phylogenetic groups. The proposed Dynamic $\beta$-VAE dynamically adapts the scaling of the reconstruction and regularization loss terms ($\beta$ value) yielding useful latent representations of the input data. We demonstrate the usefulness of the dynamic $\beta$-VAE on optically recorded insect signals from regions of southern Scandinavia to cluster unlabelled targets into possible species. We also demonstrate improved clustering performance in a semi-supervised setting using a small subset of labelled data. These experimental results, in both unsupervised- and semi-supervised settings, with the dynamic $\beta$-VAE are promising and, in the near future, can be deployed to monitor insects and conserve the rapidly declining insect biodiversity.
公開日: Wed, 10 Feb 2021 16:14:13 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。


    Page: /      
Dynamic 𝛽-VAEs for quantifying biodiversity by clustering クラスタリングによる生物多様性定量のための動的β-VAE 0.55
optically recorded insect signals 光記録された昆虫信号 0.61
Dept. of Geosciences & Natural Resource Management だめだ。 地学・自然資源管理の立場から 0.54
Klas Rydhmer kkgr@ign.ku.dk Klas Rydhmer kkgr@ign.ku.dk 0.71
University of Copenhagen & コペンハーゲン大学。 0.50
FaunaPhotonics A/S Copenhagen, Denmark FaunaPhotonics A/S コペンハーゲン, デンマーク 0.82
Raghavendra Selvan Raghavendra Selvan 0.85
raghav@di.ku.dk raghav@di.ku.dk 0.59
Dept. of Computer Science だめだ。 コンピュータサイエンスの 0.52
Dept. of Neuroscience だめだ。 神経科学の 0.54
University of Copenhagen Copenhagen, Denmark コペンハーゲン大学コペンハーゲン校 0.46
1 2 0 2 b e F 0 1 1 2 0 2 b e F 0 1 0.85
] G L . ] G L。 0.79
s c [ 1 v 6 2 5 5 0 sc [ 1 v 6 2 5 5 0 0.68
. 2 0 1 2 : v i X r a . 2 0 1 2 : v i X r a 0.85
Figure 1: Latent representation of optically recorded insect wingbeat frequency spectra. 図1:光記録された昆虫のウイングビート周波数スペクトルの潜在表現 0.68
The proposed dynamic 𝛽-VAE is able to cluster unlabelled field recordings into compact clusters that correspond with the species labels, seen here as different colours for each of the 12 named species groups. 提案する動的β-vaeは、ラベルのないフィールド記録を12種の分類群ごとに異なる色として、種ラベルに対応するコンパクトなクラスターにまとめることができる。 0.80
ABSTRACT While insects are the largest and most diverse group of animals, constituting ca. ABSTRACT 昆虫は最大で最も多様な動物の群であり、caを構成する。 0.78
80% of all known species, they are difficult to study due to their small size and similarity between species. 80%の種が知られているが,小ささと種間の類似性から研究が困難である。 0.80
Conventional monitoring techniques depend on time consuming trapping methods and tedious microscope-based work by skilled experts in order to identify the caught insect specimen at species, or even family, level. 従来の監視技術は、捕獲された昆虫の種、あるいは家族レベルを特定するために、熟練した専門家によるトラップ法や退屈な顕微鏡ベースの作業に依存する。
訳抜け防止モード: 従来のモニタリング技術はトラップ法と退屈な顕微鏡の時間消費に依存している - 熟練した専門家による順番の作業に基づく 捕獲された昆虫の標本を特定できるのです
Researchers and policy makers are in urgent need of a scalable monitoring tool in order to conserve biodiversity and secure human food production due to the rapid decline in insect numbers. 研究者や政策立案者は、昆虫数の急速な減少による生物多様性の保全と人間の食料生産の確保のために、スケーラブルな監視ツールを緊急に必要としています。 0.68
In order to improve upon existing insect clustering methods, we propose an adaptive variant of the variational autoencoder (VAE) which is capable of clustering data by phylogenetic groups. 既存の昆虫群集法を改善するため,系統群によるデータのクラスタリングが可能な変分オートエンコーダ(VAE)の適応的変種を提案する。 0.81
The proposed dynamic 𝛽-VAE dynamically adapts the scaling of the reconstruction and regularization loss terms (𝛽 value) yielding useful latent representations of the input data. 提案された動的β-VAEは、入力データの有用な潜在表現をもたらす再構成および正規化損失項(β値)のスケーリングを動的に適応する。 0.76
We demonstrate the usefulness of the dynamic 𝛽-VAE on optically recorded insect signals from regions of southern Scandinavia to cluster unlabelled targets into possible species. 本研究は,南スカンジナビア地域からの昆虫の光記録信号に対する動的β-vaeの有用性を実証する。
訳抜け防止モード: スカンジナビア南部の光記録昆虫信号に対する動的β-VAEの有用性を実証する。 衝突しない標的を 種にまとめるのです
We also demonstrate improved clustering performance in a semi-supervised setting using a small subset of labelled data. また,ラベル付きデータの小さなサブセットを用いて,半教師付き設定におけるクラスタリング性能の向上を示す。 0.63
These experimental results, in both unsupervisedand semi-supervised settings, with the dynamic 𝛽-VAE are promising and, in the near future, can be deployed to monitor insects and conserve the rapidly declining insect biodiversity. これらの実験結果は、無監督と半監督の両方で、動的β-vaeは有望であり、近い将来、昆虫をモニターし、急速に減少する昆虫の生物多様性を保存できる。 0.65
Novel automated optical monitoring equipment can record tens of thousands of insect observations in a single day and the ability to identify key targets at species level can be a vital tool for entomologists, biologists and agronomists. 新しい自動光学監視装置は、1日で数万もの昆虫の観察を記録し、種レベルでの重要なターゲットを識別する能力は昆虫学者、生物学者、農学者にとって重要な道具となる。 0.63
Recent work has aimed for a broader analysis using unsupervised clustering as a proxy for conventional biodiversity measures, such as species richness and 最近の研究は、種多様性や種多様性といった従来の生物多様性対策の指標として、教師なしクラスタリングを用いたより広範な分析を目標としている。 0.44
species evenness, without actually identifying the species of the detected target. 検出されたターゲットの種を実際に識別せずに、種均等性。 0.60
Latent dim. 1Latent dim. 潜伏ダイム。 1 Latent dim。 0.61
2Aleyrodidae spp.Aphididae spp.Bombus spp.Ceutorhynchus spp.Chrysomelidae spp.Chrysopidae spp.Culicidae spp.Drosophilidae spp.Lucilia spp.Muscidae spp.Staphylinidae spp.Tortricidae spp.Unlabelled Field Data 2Aleyrodidae spp.Aphididae spp.Bombus spp.Ceutorhynchus spp.Chrysomelidae spp.Chrysopidae spp.Culicidae spp.Drosophilidae spp.Lucilia spp.Muscidae spp.Staphylinidae spp.Tortricidae spp.Unlabelled Field Data 0.46
CCS CONCEPTS • Computing methodologies → Knowledge representation and reasoning; • Applied computing → Agriculture. CCS CONCEPTS •コンピューティング方法論 → 知識表現と推論; • 応用コンピューティング → 農業。 0.82
KEYWORDS unsupervised clustering, VAE, insect classification, biodiversity KEYWORDS unsupervised clustering, VAE, 昆虫分類, 生物多様性 0.95
1 INTRODUCTION Insects make up the majority of all animal species with ca. 1 イントロダクション昆虫はすべての動物種の大半をcaで占めている。 0.79
1 million described species and an estimated 3-4 million yet to be discovered [24, 36]. 記載種数10万種、推定3400万種[24,36]が発見されている。 0.69
While insects are numerous and found in almost all habitats, the total insect population is thought to be shrinking at an alarming rate. 昆虫は数が多く、ほとんどすべての生息地で見られるが、全個体数は減少傾向にあると考えられている。 0.71
An influential report recently reported a 70% loss of flying insect biomass in 30 years [14]. 影響力のあるレポートは最近、30年で飛行中の昆虫のバイオマスの70%の損失を報告しました[14]。 0.65
These losses have mainly been driven by changes in the agricultural landscape, increased use of pesticides and the spread of disease, but the exact reasons and consequences are still unknown [13, 29]. これらの損失は主に農業の景観の変化、殺虫剤の使用の増加、病気の拡散によるものであるが、正確な理由と結果はまだ不明である[13,29]。 0.74
In order to accurately measure the biodiversity and health of the insect community across various biotopes (or habitats), researchers, agronomists, policy makers and institutions are in need of insect monitoring capabilities from multiple areas, over long periods of time. 様々な生物圏(または生息地)における昆虫群集の生物多様性と健康を正確に測定するために、研究者、農学者、政策立案者、機関は、長期間にわたって複数の地域から昆虫の監視機能を必要としている。 0.68
Conventional insect biodiversity monitoring typically involves various trapping methods, each with their own bias towards different species, which makes it difficult to compare the results across studies [25]. 従来の昆虫の生物多様性モニタリングでは、それぞれが異なる種に対して偏りを持つ様々なトラップ法が一般的であり、比較が困難である[25]。 0.78
The collected insect specimens are further identified under microscopes by highly trained experts. 収集された昆虫標本は、高度な訓練を受けた専門家によって顕微鏡でさらに識別される。 0.48
These methods provide data with very high specificity but are time consuming and expensive which severely limits the ability to collect data on a large scale, or over extended time periods, with high spatial and temporal resolution. これらの方法は、非常に高い特異性を持つデータを提供するが、時間と費用がかかり、空間的および時間的解像度の高い大規模なデータ収集能力や、長期間にわたるデータ収集能力を著しく制限する。 0.69
In recent years, new technologies have been developed for insect monitoring such as automated traps [27, 28], acoustic methods [10, 23] and optical instruments such as the entomological lidar [4, 12, 17, 35]. 近年では、自動トラップ[27, 28]、音響方法[10, 23]などの昆虫の監視、および昆虫学的ライダー[4, 12, 17, 35]などの光学機器のための新しい技術が開発されています。 0.75
In general, these methods provide large amounts of data with a high temporal resolution but with lower specificity [6, 7, 20, 27]. 一般に、これらの方法は大量のデータを高い時間分解能で提供するが、特異性は低い[6, 7, 20, 27]。 0.85
The introduction of automated and continuous monitoring methods has the potential to greatly improve biodiversity monitoring and, consequently, conservation efforts. 自動的かつ連続的なモニタリング手法の導入は、生物多様性の監視と保存努力を大幅に改善する可能性を秘めている。 0.69
In order to utilize the full potential of these new methods, large number of unlabelled insect recordings need to be translated into a quantifiable biodiversity index, comparable to conventional estimates. これらの新しい手法のポテンシャルを最大限に活かすには、従来の推定値に匹敵する定量化可能な生物多様性指標に多数の不一致昆虫記録を翻訳する必要があります。 0.72
In this work, we combine the rich data from lidar entomology with the powerful capabilities of variational auto-encoders (VAEs) [19]. 本研究では,lidar昆虫学の豊富なデータと変分オートエンコーダ(vaes)[19]の強力な能力を組み合わせた。 0.69
A common trade-off that is difficult to achieve in VAEs is between its two loss components: reconstruction loss and regularization loss. vaesで達成するのが難しい共通のトレードオフは、レコンストラクション損失とレギュライゼーション損失の2つのコンポーネントの間にある。 0.70
Balancing these two components can yield useful low-dimensional features (representations) of the input data which can be further analyzed to perform clustering of the input data [2, 15]. これら2つのコンポーネントのバランシングにより、入力データの有用な低次元の特徴(表現)が得られ、さらに分析して入力データのクラスタリングを行う[2,15]。 0.80
We introduce a dynamically changing formulation of the scaling of the loss terms (𝛽). 損失項(β)のスケーリングの動的に変化する定式化を紹介します。 0.71
The proposed 𝛽 dynamics takes instantaneous changes to the loss terms and the historical performance during training into account to keep both the reconstruction and regularization performance near their optimum. 提案するβダイナミクスは,学習中の損失条件と履歴性能を瞬時に変化させることで,最適に近い復元性能と正規化性能を両立させる。 0.78
The proposed dynamic 𝛽-VAE is trained on unlabelled insect recordings collected using a novel optical insect sensor at several 提案した動的β-VAEは、新しい光学式昆虫センサを用いて収集された未ラベル昆虫の記録に基づいて訓練される 0.61
Rydhmer and Selvan Rydhmer と Selvan 0.83
sites in southern Scandinavia. 南スカンジナビアのサイト。 0.58
We demonstrate its ability to successfully extract features from input data into the regularized latent space, and to cluster the data into an appropriate number of clusters. 我々は、入力データから正規化された潜在空間に特徴を抽出し、データを適切な数のクラスタにクラスタ化する能力を示す。 0.80
We experimentally validate improvements compared to more conventional methods such as the hierarchical clustering algorithm (HCA) [5, 21] and principal component analysis (PCA). 階層クラスタリングアルゴリズム (HCA) [5, 21] や主成分分析 (PCA) などの従来の手法と比較して, 改善を実験的に検証した。 0.91
Additionally, we show that the introduction of a semi-supervised data set further improves the clustering performance on the unlabelled data when evaluated on known phylogenetic groups. さらに, 半教師付きデータセットの導入により, 既知の系統群の評価により, ラベルなしデータに対するクラスタリング性能がさらに向上することを示した。 0.74
2 BACKGROUND & RELATED WORK 2.1 Lidar-entomology & clustering Lidar entomology is an insect monitoring method where insects are recorded as they enter an infrared laser beam which can sometimes extend for kilometers. 2 BACKGROUND & RELATED WORK 2.1 Lidar-entomology & Clustering Lidar entomologyは、昆虫が時々何キロも延びることができる赤外線レーザー光線に入るときに記録される昆虫の監視方法です。 0.81
It might be the fastest way to record large amounts of insect data, yielding up to several tens of thousands of optically recorded insect signals per day [5]. 大量の昆虫のデータを記録する最速の方法かもしれないし、一日に数万もの光学的に記録された昆虫信号を生成する[5]。 0.74
This data consists of time series, where the signal intensity varies with the insect cross section and wing beats. このデータは、昆虫の断面と翼のビートによって信号強度が変化する時系列からなる。 0.70
As the wing-beat frequency (WBF) varies between insects groups, it can to some degree be used to distinguish between species, alone or with other extracted features [6, 7, 11, 20, 27]. ウイングビート周波数 (wbf) は昆虫群によって異なるため, 単独または他の抽出された特徴 [6, 7, 11, 20, 27] との区別にある程度使用できる。 0.77
While the ability to identify a number of key species from automated sensors would be greatly beneficial to the entomological community, it is not sufficient to quantify the biodiversity. 自動センサーから多くの重要な種を識別する能力は、昆虫学のコミュニティにとって非常に有益であるが、生物多様性の定量化には十分ではない。 0.71
Instead, the total number of species (species richness) and their relative distributions (species evenness) are the commonly used measurements. その代わり、総種数(種豊かさ)とその相対分布(種均等さ)が一般的に用いられる測定値である。 0.81
Previous efforts to derive these numbers from a large number of optically recorded insect signals have been made using HCA on the WBF power spectra [5, 21]. WBFパワースペクトル [5, 21] 上のHCAを用いて, 多数の光記録昆虫信号からこれらの数を導出する努力がなされている。 0.76
However, in order to cover a broad range of frequencies with sufficient resolution, a high dimensional feature space is required and the distance measures are non-trivial. しかし、十分な解像度で広い周波数範囲をカバーするためには、高次元の特徴空間が必要であり、距離測度は非自明である。 0.69
For reduced model complexity and improved computational and clustering performance, a reduction of the parameter space is desired. モデル複雑性の低減と計算およびクラスタリング性能の向上のためには,パラメータ空間の削減が望まれる。 0.87
In order to reduce the parameter space while retaining the necessary information, various algorithms for extracting the WBF and other physical properties from insect recordings have been proposed and used [11, 16, 20, 22, 30]. 必要な情報を保持しつつパラメータ空間を削減するために,昆虫記録からwbfやその他の物理的性質を抽出するための様々なアルゴリズムを提案し, [11,16,20,22,30] を用いた。 0.82
Machine learning based methods for feature extraction, such as auto-encoders (AE), have also been used to extract additional features [30]. 自動エンコーダ(AE)などの特徴抽出のための機械学習ベースの手法も,追加機能[30]を抽出するために使用されている。 0.80
While an AE is able to generate high quality features for classification, a known behaviour of AE is the irregularity of the latent feature space where two similar data inputs might end up with very different latent representations. AEは分類のための高品質な特徴を生成することができるが、AEの既知の振る舞いは2つの類似したデータ入力が全く異なる潜在表現になるような潜在特徴空間の不規則性である。 0.80
This makes the extracted features from an auto-encoder unsuitable for clustering recordings of similar insect species and quantifying the diversity of the recorded insects. これにより、オートエンコーダから抽出された特徴は、類似する昆虫種の記録と記録された昆虫の多様性の定量化に適さない。 0.67
2.2 VAEs and 𝛽-Annealing Variational autoencoders (VAEs) consist of a regularized probabilistic encoder-decoder pair and are some of the most powerful representation learning methods [2, 19]. 2.2 VAEとβ-Annealing Variational Autoencoder(VAE)は、正規化された確率的エンコーダとデコーダのペアで構成され、最も強力な表現学習方法[2, 19]である。 0.69
They have seen broad applications in generative modelling and unsupervised learning tasks. 彼らは生成モデリングや教師なし学習タスクに広く応用されている。 0.60
Given unlabelled input data consisting of 𝑁 samples with 𝐹 features, x ∈ R𝑁×𝐹 , the probabilistic encoder of a VAE maps the input VAEの確率エンコーダである x ∈ RN×F は、F の特徴を持つ N のサンプルからなる不一致な入力データから入力をマッピングする。 0.84
Dynamic 𝛽-VAEs for quantifying biodiversity by clustering optically recorded insect signals 光記録昆虫信号のクラスタリングによる生物多様性の定量化のための動的β-VAE 0.57
to the posterior density 𝑝(z|x) over the latent variable, z ∈ R𝑁×𝐿. 潜在変数 z ∈ RN×L 上の後密度 p(z|x) に対して。 0.78
In practice, 𝐿 << 𝑁 and the encoder neural network approximates the true posterior density, 𝑝(z|x), with a multivariate Gaussian, 𝑞𝜃 (z|x) ∼ N(𝜇𝜃 , 𝜎2 𝜃). 実際には、L <<N とエンコーダニューラルネットワークは真の後続密度 p(z|x) を多変量ガウス qθ (z|x) = N(μθ , σ2 θ) で近似する。 0.73
The decoder of a VAE reconstructs the input data from the latent variable and is given by the density function 𝑝𝜙(x|z). VAEのデコーダは、潜変数からの入力データを再構築し、密度関数pφ(x|z)によって与えられる。 0.75
The encoder and decoder neural networks are parameterised by 𝜃 and 𝜙, respectively. エンコーダニューラルネットワークとデコーダニューラルネットワークはそれぞれθとφでパラメータ化される。 0.83
The optimization objective of a VAE consists of two competing terms and it can be shown to be [19] VAEの最適化の目的は、2つの競合する用語から成り、[19]であることが示せる。 0.69
(cid:2) log 𝑝𝜙(x|z)(cid:3) + KL(cid:2)𝑞𝜃 (z|x)||𝑝(z)(cid:3) (cid:2) log pφ(x|z)(cid:3) + KL(cid:3)qθ(z|x)||p(z)(cid:3) 0.74
LVAE = −E𝑞𝜃 LVAE ≜ Lrec + Lreg LVAE = −Eqθ LVAE > Lrec + Lreg 0.93
(1) (2) The quality of the auto-encoded reconstructions is controlled by the reconstruction loss Lrec, which is the first term in Eq. (1) (2) 自動符号化された再構築の品質は、Eqの最初の用語である復元損失Lrecによって制御される。 0.77
(1). The encoder density is regularized to match the prior over the latent variable, 𝑝(z) ∼ N(0, I), enforced by the regularization loss, Lreg, which is the Kullback-Leibler divergence (KLD) term in Eq. (1). エンコーダ密度は、Eq におけるKulback-Leiblerdivrg ence (KLD) 項である正規化損失 Lreg によって強制される潜在変数 p(z) × N(0, I) の先行値と一致するように正規化される。 0.82
(1). At a high level, the regularization term controls the smoothness or the regularity of the latent space. (1). 高レベルでは、正規化項は潜在空間の平滑性または規則性を制御する。 0.77
Well structured and smooth latent spaces can yield useful representations of the input data. 構造化され滑らかな潜在空間は、入力データの有用な表現をもたらすことができる。 0.63
The trade-off between the two loss terms can have influence on the performance of any VAE. 2つの損失項間のトレードオフは、任意のVAEの性能に影響を及ぼす可能性がある。 0.67
A VAE where the reconstruction term dominates might be able to reconstruct the input data well with a latent space that might not be interesting for the downstream tasks (such as clustering). 再構成項が支配するvaeは、ダウンストリームタスク(クラスタリングなど)では面白くない潜在空間で、入力データを適切に再構築することができるかもしれない。 0.71
To alleviate this, a simple trick of scaling the regularization term Lrec [15] with a modified objective: これを緩和するために、正規化項 lrec [15] を修正目的にスケールする簡単なトリック: 0.80
L𝛽-VAE = Lrec + 𝛽Lreg. Lβ-VAE = Lrec + βLreg 0.79
(3) Here the role of 𝛽 ≥ 0 is to balance the reconstruction- and regularization loss. (3)ここでβの0の役割は、復元と正規化の損失のバランスをとることです。 0.73
Typically, lower 𝛽 values yield better reconstructions but a less regularized latent space and less disentangled features. 一般に、低いβ値はより良い再構成をもたらすが、より規則化された潜在空間は小さく、非絡み合いの少ない特徴を持つ。 0.52
On the other hand, higher 𝛽 may lead to posterior collapse, where all reconstructions are reduced to the average input and the KLD approaches zero. 一方、より高いβは、すべての再構築が平均入力に減少し、KLDがゼロに近づく後部崩壊につながる可能性があります。 0.72
Various methods have been proposed to overcome this instability in achieving a reasonable trade-off between the loss terms. 損失項間の合理的なトレードオフを達成するために、この不安定性を克服する様々な方法が提案されている。 0.53
A common implementation is 𝛽-annealing, where 𝛽 is gradually increased from a very low value up to a fixed point. 一般的な実装はβアニーリングであり、βは徐々に非常に低い値から固定点まで増加する。 0.76
While this solves the initial stability problems, the task of finding the optimal value of 𝛽 remains. これにより初期安定性の問題が解決されるが、βの最適値を求める作業は残る。 0.79
Recently, it has been shown that repeating the process with a cyclic 𝛽 can lead to better performance [9]. 近年, サイクリックβによるプロセスの繰り返しにより, 性能が向上することが示されている[9]。 0.74
However, when unchecked both implementations face the risk of posterior collapse (vanishing KLD) once 𝛽 enters a stationary phase. しかし、βが静止状態に入ると、両方の実装が後部崩壊(KLDの消滅)のリスクに直面している。 0.60
More recently, several approaches have attempted to adapt 𝛽 instead of using a fixed or scheduled scaling [1, 33, 34]. 最近では、固定またはスケジュールされたスケーリング[1, 33, 34]を使う代わりに、いくつかのアプローチがβに適応しようと試みている。 0.63
In the controlVAE formulation in [34], rather than gradually increasing 𝛽 to a maximum value (annealing), it is controlled with feedback from a non-linear proportional-integra l (PI) controller to keep the KLD at a desired level. 34]の制御VAE製剤では、徐々にβを最大値(アニール)に増加させるのではなく、非線形比例積分(PI)コントローラからのフィードバックで制御され、KLDを所望のレベルに保つ。 0.77
This addresses the vanishing KLD problem but the users still have to set the desired value of the KLD, which might not be straightforward for many applications. これは消滅するKLD問題に対処するが、多くのアプリケーションでは簡単ではないかもしれないKLDの望ましい値を設定する必要がある。
訳抜け防止モード: これは消滅するkld問題に対処します しかし ユーザーはまだ kldの所望の値を設定することは、多くのアプリケーションにとって簡単ではないかもしれない。
3 METHODS The primary goal of this work is to obtain low-dimensional latent representations suitable for clustering of the high-dimensional input data. 3 方法 本研究の目的は, 高次元入力データのクラスタリングに適した低次元潜在表現を得ることである。 0.77
Specifically, the objective is to obtain latent space encodings of the insect spectral data such that similar species of insects 具体的には、昆虫の類似種のような昆虫のスペクトルデータの潜時空間エンコーディングを得ることが目的である。
訳抜け防止モード: 具体的には、目的です。 類似の種が昆虫のスペクトルデータに潜む空間の符号化を得る
Figure 2: The evolution of 𝛽 during training of an unsupervised dynamic 𝛽 VAE. 図2:教師なしの動的β VAEの訓練中のβの進化。 0.72
After a 25 epoch warm-up phase when 𝛽 = 0, it is dynamically adjusted based on ΔL𝑟𝑒𝑐, Δ𝑟𝑒𝑐 and Δ𝑟𝑒𝑔. β = 0の25エポックのウォームアップフェーズの後、ΔLrec、ΔrecおよびΔregに基づいて動的に調整される。 0.71
Thereby, L𝑟𝑒𝑐 and L𝑟𝑒𝑔 remain balanced without increasing the total loss (Row 1) implying stable model convergence. これにより、LrecとLregは総損失を増加させることなくバランスを保ち(Row 1)、安定なモデル収束を示唆する。 0.59
are positioned close to each other. 互いに近い位置にあります 0.60
To this end, we propose to dynamically adapt, the otherwise constant scaling factor, 𝛽 of a standard 𝛽-VAE. そこで本研究では, 標準β-VAEのスケーリング係数βを動的に適用することを提案する。 0.76
In our proposed dynamic 𝛽-VAE formulation, the changes in reconstruction and regularisation losses are monitored throughout the training process; these changes are used to adapt the 𝛽 value in each epoch using a simple control algorithm. 提案する動的β-vae定式化では,学習過程を通して再構成と正規化損失の変化を監視し,これらの変化は単純な制御アルゴリズムを用いて各エポックのβ値に適応させる。 0.80
If either the reconstruction- or regularization losses increase above a specific level of their historical minimum then 𝛽 is adjusted (either by increasing or decreasing) until a new optimum is attained. もしレコンストラクションまたはレギュライゼーションの損失が歴史的な最小値の特定のレベルを超えると、新しい最適に達するまで(増加または減少によって)βが調整される。 0.82
This dynamic control of 𝛽 maintains a steady trade-off between the two loss terms while reducing the global loss function by latching on to the historical minimum of the loss components. このβの動的制御は2つの損失項間の安定したトレードオフを維持し、損失成分の歴史的最小値に頼ってグローバル損失関数を減少させる。 0.83
In the remainder of this section, we detail the dynamic 𝛽-VAE and formulate a semi-supervised variant of the model using a new clustering loss component. この節の残りの部分では、動的β-VAEを詳述し、新しいクラスタリング損失成分を用いてモデルの半教師付き変種を定式化する。 0.73
3.1 Dynamic 𝛽-VAE The key contribution in this work is an adaptive formulation of the 𝛽-VAE using dynamic control of 𝛽. 3.1 Dynamic β-VAE この研究の重要な貢献は、βの動的制御を用いたβ-VAEの適応的定式化である。 0.73
This is achieved by varying 𝛽 at each epoch, based on the instantaneous changes in the reconstruction- and regularization terms in Eq. これは、Eqの再構築および正規化用語の即時変化に基づいて、各時代におけるβの変化によって達成される。 0.70
(3), with an objective of not letting either of the loss terms to dominate the overall model optimization. (3) 損失項のどちらかがモデル全体の最適化を支配しないことを目標とする。 0.82
This results in a trade-off between sufficiently good reconstructions and adequately regularized latent space yielding representations of the input data that are useful for the downstream task. これにより、十分に良好な再構成と、下流タスクに有用な入力データの表現を適切に正規化した潜在空間とのトレードオフが生じる。 0.64
At any given epoch 𝑡 the objective for the dynamic 𝛽-VAE is 任意の epoch t において、動的 β-VAE の目標である。 0.76
given by, L(𝑡) = L(𝑡) 与えられた L(t) = L(t) 0.71
rec + 𝛽(𝑡)L(𝑡) reg. rec + β(t)l(t) reg である。 0.90
(4) 123Normalized lossrecregrec+reg0.51.01.5 Lossrecrecreg0100020 00300040005000Epochs (4) 123Normalized Losrecregrec+reg0.51.5 Lossrecrecreg0100020 0040005000Epochs0.00 .51.0 0.53
(cid:105) reg rec − 𝑤3L(𝑡′) rec (cid:105) reg rec − w3L(t′) rec 0.83
(cid:17) (cid:17) (cid:105) + 𝜓(cid:104)L(𝑡) (cid:17) (cid:17) (cid:105) + (cid:104)L(t) 0.85
Δrec = L(𝑡) Δreg = L(𝑡) Δrec = L(t) Δreg = L(t) 0.98
ΔLrec = 𝜓(cid:104)L(𝑡) ΔLrec = (cid:104)L(t) 0.98
The dynamically controlled 𝛽(𝑡) is formulated using the signum function1, 𝜓[·], given by 𝛽(𝑡) = 𝛽(𝑡−1) − 𝑏 4 + 𝑎 動的に制御されたβ(t) は、β(t) = β(t−1) − b 4 + a で与えられる符号関数 ψ[·] を用いて定式化される。 0.84
(cid:0)1 − 𝜓(cid:2)Δreg(cid:3)(cid:1) (1 + 𝜓 [Δrec] + ΔLrec) 4 (1 − 𝜓 [Δrec])(cid:0)1 + 𝜓(cid:2)Δreg(cid:3) − ΔLrec(cid:1) rec − 𝑤1 min(cid:16)L(:𝑡−1) reg − 𝑤2 min(cid:16)L(:𝑡−1) (cid:0)1 − Δreg(cid:3)(cid:3)(ci d:1)(cid:1)(cid:3)(c id:3))4 (1 − (cid:0)1 + ΔLrec(cid:3) − ΔLrec(cid:1)reg(cid:3 )- ΔLrec(cid:1) rec − w1 min(cid:16)L(:t−1) reg − w2 min(cid:16)L(:t−1)
訳抜け防止モード: (cid:0)1 − s(cid:2)Δreg(cid:3)(cid:1 ) ( 1 + s [ Δrec ] 3 ) − ΔLrec(cid:1 ) rec − w1 min(cid:16)L(:t−1 ) reg − w2 min(cid:16)L(:t−1 ) reg − w2 min(cid:16)L(:t−1 )
(6) (7) where (6) (7) どこに 0.79
(5) rec rec − 𝑤4L(𝑡′) rec (5) rec rec − w4L(t′) 0.86
(8) with hyperparameters [𝑎, 𝑏, 𝑤1, 𝑤2, 𝑤3, 𝑤4] ∈ R+. (8) ハイパーパラメータ [a, b, w1, w2, w3, w4] ∈ R+ を持つ。 0.80
The notation (: 𝑡 − 1) is used to indicate all epochs up to (t-1) and (𝑡′) is the epoch when 𝛽 was last changed. 表記法 (: t − 1) は (t-1) までのすべてのエポックを示すのに使われ、(t′) は β が最後に変更された時のエポックである。
訳抜け防止モード: 表記法 (: t − 1 ) は ( t-1 ) までの全てのエポックを示すのに用いられる。 そして (t′ ) は β が最後に変更された時代である。
The 𝛽 dynamics in Eq. Eq の β 動力学。 0.68
(5) can be divided into two regimes aimed at optimizing reconstruction- and regularization terms corresponding to increase- and decrease of 𝛽, respectively. (5) β の増加および減少に対応する再構成および正規化用語の最適化を目的とした2つの体制にそれぞれ分割することができる。 0.76
Reconstruction regime (𝛽 ↓): The value of 𝛽 is decreased due to the −𝑏 term in Eq. リコンストラクション・レジメンション(β: Reconstruction regime): β の値は Eq の −b 項により減少する。 0.81
(5) when Δrec is positive; meaning the reconstruction loss is increasing compared to the historical minimum reconstruction loss, according to Eq. (5) Δrec が正の場合には,再建損失は歴史的最小の復元損失に比べて増加傾向にある,とEq は述べている。 0.77
(6). The 𝛽 decrease rule also checks if the regularization loss is decreasing compared to the historical minimum with the term 1 − 𝜓 [Δrec] in Eq. (6). β の減少規則は、Eq の 1 − シュ [Δrec] という用語で、歴史的な最小値と比較して正則化損失が減少しているかどうかもチェックする。 0.74
(5). Regularization regime (𝛽 ↑): The increase in 𝛽 happens due to the +𝑎 term in Equation (5) when Δreg is positive; meaning the regularization loss is increasing according to Eq. (5). 正規化規則 (β ) : β の増加は Δreg が正のときの方程式 (5) の +a 項によって起こる; つまり、正規化損失は Eq に従って増加する。 0.84
(7). The increase rule checks if the reconstruction loss has decreased compared to Additionally, ΔLrec in Eq (8) nudges a change in 𝛽 based on the last update to 𝛽. (7). さらに、eq (8) における δlrec は β への最後の更新に基づいて β の変化を発生させる。
訳抜け防止モード: (7). 増加規則は、さらに、復元損失が減少しているかどうかをチェックする。 eq (8) の δlrec は β への最後の更新に基づいて β の変化を引き起こす。
This allows 𝛽 to get out of plateaus of either stable reconstruction or regularization regimes. これにより、βは安定な再構成または正規化機構の台地から抜け出すことができる。 0.67
the historical minimum with the term 1 − 𝜓(cid:2)Δreg(cid:3) in Eq. Eq における 1 − (cid:2)Δreg(cid:3) という用語の歴史的最小値。 0.75
(5). In Figure 2, one instance of optimizing the dynamic 𝛽-VAE with the objective in Eq. (5). 図2では、eqの目的と動的β-vaeを最適化する例を示す。
訳抜け防止モード: (5). 図2の1つの例 Eq の目的で動的 β-VAE を最適化する。
(4) is shown. (4)が表示されます。 0.67
The value of 𝛽 increases until about epoch 700 at which it plateaus and decreases (Figure 2, row 3). β の値は、約 epoch 700 まで増加し、その値が高まり、減少する(第2 図3)。 0.82
At epoch 2000, it has finally stabilized. 2000年現在、ようやく安定している。 0.71
These changes are correlated with changes to L𝑟𝑒𝑔 and L𝑟𝑒𝑐 captured in the second row of Figure 2, estimated according to Equations 5 to 8. これらの変化は、方程式5から8によって推定される図2の第2列で得られたLregとLrecの変化と相関する。 0.75
3.2 Semi-supervised clustering Using a small subset of labelled data that optimizes a relevant loss could steer learning of representations that are more expressive for the downstream tasks under consideration. 3.2 半監視クラスタリング 関連する損失を最適化するラベル付きデータの小さなサブセットを使用すると、下流のタスクに対してより表現的である表現の学習が促進される可能性がある。
訳抜け防止モード: 3.2 Semi-supervised clustering 関連する損失を最適化するラベル付きデータの小さなサブセットを使用します。 表現を学習し 下流のタスクに より表現力があります
One approach to achieve this is to introduce auxiliary tasks based on the labelled data, resulting in a semi-supervised learning setup [8]. これを実現する1つのアプローチは、ラベル付きデータに基づく補助タスクを導入することで、半教師付き学習セットアップ [8]。 0.79
As we are interested in clustering of insect species based on their latent representation, we enforce clustering of a small subset of labelled examples to improve the overall clustering. 我々はその潜在表現に基づく昆虫種の群集化に関心があるので、ラベル付きサンプルの小さなサブセットの群集化を強制して全体の群集化を改善する。 0.70
An additional loss term, Lcls, based on the auxiliary task is introduced to the 1The signum function, 𝜓 [𝑥] returns the sign of any real number 𝑠 ∈ R 付加的な損失項 Lcls は、補助タスクに基づいて 1 に導入される。記号関数は、任意の実数 s ∈ R の符号を返す。 0.70
𝜓 [𝑠] = +1 𝜓 [𝑠] = +1 0.72
0 −1 𝑠 > 0 𝑠 = 0 𝑠 < 0 0 −1 𝑠 > 0 𝑠 = 0 𝑠 < 0 0.87
Rydhmer and Selvan Rydhmer と Selvan 0.83
(9) model optimization: (9) モデル最適化: 0.86
L = Lrec + 𝛽(𝑡)Lreg + 𝛾 (𝑡)Lcls L = Lrec + β(t)Lreg + γ(t)Lcls 0.85
where 𝛾 (𝑡) is the scaling of the clustering loss component. ここで γ (t) はクラスタリング損失成分のスケーリングです。 0.68
The clustering loss, Lcls, has two components to encourage intra-class cohesion and inter-class repulsion. クラスタリング損失であるLclsは、クラス内凝集とクラス間反発を促進する2つのコンポーネントを持つ。 0.65
Intra-class cohesion is captured as the sum of distance between all data points belonging to a particular class and the corresponding cluster centroid location. クラス内凝集は、特定のクラスに属するすべてのデータポイントと対応するクラスタ中心位置との間の距離の和としてキャプチャされる。 0.72
Assuming 𝐾 clusters with centroids ˆz𝑘 ∈ R𝐿, 𝑘 = 1 . 中心体を持つ K クラスターを仮定すると、k = 1 である。 0.72
. . 𝐾 and 𝑁𝑘 cluster members with class label 𝑘 denoted z𝑘, the intra-class cohesion distance is given by: . . クラスラベルkがzkであるKとNkクラスタのメンバーは、クラス内凝集距離を次のように与えられる。 0.81
𝑑𝐶 = 𝑑(z𝑘 𝑑𝐶 = d(zk) 0.89
𝑖 , ˆz𝑘). 𝐾∑︁ 𝑁𝑘∑︁ ∑︁ 𝐾∑︁ 略称は「zk」。 𝐾∑︁ 𝑁𝑘∑︁ ∑︁ 𝐾∑︁ 0.45
𝑖=1 𝑘=1 (10) 𝑖=1 𝑘=1 (10) 0.68
(11) The inter-class repulsion distance is captured using the sum of all pairwise distances between the cluster centroids: (11) クラス間反発距離は、クラスタセントロイド間の全対距離の和を用いてキャプチャされる。
訳抜け防止モード: (11) クラス間反発距離が捕捉される クラスタ・セントロイド間の全対距離の合計を使います
𝑑(ˆz𝑖, ˆz𝑗) In both cases, 𝑑(·) is the Euclidean distance. どちらの場合においても、d() はユークリッド距離(英語版)(euclidean distance)である。 0.57
𝑑𝑅 = 𝑖=1 𝑗 <𝑖 𝑑𝑅 = 𝑖=1 𝑗 <𝑖 0.76
Finally, the clustering loss is computed as the ratio between the two distances, which when minimized encourages smaller intraclass and larger inter-class distances, given by 最後に、クラスタリング損失は、2つの距離の間の比率として計算され、最小化されるとクラス内距離が小さくなり、クラス間距離が大きくなる。
訳抜け防止モード: 最後に、クラスタリング損失を2つの距離の比として計算する。 最小化されるとクラス内とクラス間距離が小さくなり
Lcls = 𝑑𝐶 + 𝜖 𝑑𝑅 + 𝜖 Lcls = 𝑑𝐶 + 𝜖 𝑑𝑅 + 𝜖 0.85
, (12) where 𝜖 is a constant used for numerical stability. , (12) ε は数値安定性の定数である。 0.80
3.3 Training of dynamic 𝛽-VAE The final objective of the dynamic 𝛽-VAE with semi-supervision in Eq. 3.3 動的β-VAEの訓練 Eqの半監督の動的β-VAEの最終目的。 0.78
(9) has three components which are introduced during the training in three successive stages: (9)三段階の訓練中に導入される3つの要素がある。 0.73
(1) Warm-up phase (𝛽 = 0, 𝛾 = 0): In this phase, the model primarily learns to reconstruct the input data similar to bottleneck autoencoders. 1)ウォームアップフェーズ(β = 0, γ = 0): このフェーズでは、モデルは主にボトルネックオートエンコーダに似た入力データを再構築することを学ぶ。 0.75
(2) Regularized phase (𝛽 > 0, 𝛾 = 0): In this phase, the dynamic control of 𝛽 sets in which smooths the learned latent space without deterioration in the quality of reconstructions. 2) 正規化相 (β > 0, γ = 0): この相では、学習された潜伏空間を再現の質を劣化させることなく滑らかにするβ集合の動的制御を行う。 0.85
(3) Semi-supervised phase (𝛽 > 0, 𝛾 > 0): In this phase, the learned latent space is steered to favour the downstream task of clustering. (3)半監督位相(β > 0, γ > 0): この相において、学習された潜在空間は、クラスタリングの下流タスクに有利に作用する。 0.78
4 EXPERIMENTS & RESULTS The main objective of the proposed dynamic 𝛽-VAE is to cluster unlabelled insect spectra into plausible clusters that could correspond to unique species. 4 ExPERIMENTS & RESULTS 提案された動的β-VAEの主目的は、未標識の昆虫のスペクトルを特異種に対応する可塑性クラスターにクラスターすることである。 0.72
To evaluate the performance of the model, we use real data collected from field instruments and compare the model’s performance in different settings. モデルの性能を評価するため,フィールド機器から収集した実データを用いて,異なる設定でモデルの性能を比較する。 0.86
Details of the data and experiments are presented in this section. 本項では,データおよび実験の詳細について述べる。 0.82
4.1 Data Collection & Pre-processing The insect data were recorded with a novel instrument from FaunaPhotonics, which uses a similar principle at close- and long ranges as the methods described in [4, 5, 11, 20]. 4.1 データ収集と前処理 昆虫のデータは[4, 5, 11, 20]で記述された方法と同様の原理を近距離および長距離で使用しているFaunaPhotonicsの新しい機器で記録された。 0.80
In the current implementation, an air volume is illuminated with infrared light in two spectral bands at 808 nm and 975 nm. 現在の実装では、空気体積は808 nmと975 nmの2つのスペクトル帯で赤外線で照らされます。 0.74
The back-scatter of any object passing 通過するオブジェクトの後方散乱 0.64
Dynamic 𝛽-VAEs for quantifying biodiversity by clustering optically recorded insect signals 光記録昆虫信号のクラスタリングによる生物多様性の定量化のための動的β-VAE 0.57
Figure 3: The median wing-beat frequency (WBF) spectra estimated from each labelled species in the input data, x𝑖 ∈ R𝐹 . 図3: 入力データ xi ∈ RF における各ラベル付き種から推定した中央主翼振動周波数 (WBF) スペクトル。 0.84
The shaded area indicate the inter-quartile range, between 25% and 75%. 陰影の区域は25%から75%間のquartile範囲を示します。 0.68
The mosquitoes (Culicidae spp.) have the highest WBF and the moths (Tortricidae spp. 蚊(カエル科) 最も高いWBFおよびmoths(Tortricidae spp.)を持って下さい。 0.62
the lowest. The weevils, (Ceutorhynchus spp.) 最低だ the weevils, (ceutorhynchus spp.) 0.63
have a large variation around their fundamental WBF. 基本的なWBFには大きなバリエーションがあります。 0.69
All recordings are log-transformed and individually normalized. すべての録音はログ変換され、個別に正規化される。 0.49
through a 20 l volume within 1m of the sensor is recorded onto a photo diode quadrant detector. センサーの1m以内の20lの体積を通して フォトダイオード四重項検出器に記録される 0.77
As insects fly past, the optical cross section varies with their WBF. 昆虫が飛ぶと、光学的断面はWBFによって変化する。 0.72
This yields a modulated time series, sampled at 20 kHz with a bandwidth from 0 to 5 kHz. これは、0から5 kHzの帯域幅で20 kHzでサンプリングされた変調された時系列を生成します。 0.66
As signals from any non-insect object passing through the volume are also recorded, a CNN trained with manual labels was used to filter out insect recordings from rain and dust etc. ボリュームを通過する非感染物体からの信号も記録されるので、手動ラベルで訓練されたcnnを使って雨や塵などの昆虫の記録をフィルタリングした。 0.74
For simplicity, the multi spectral time series were reduced to one dimension by calculating the average Welch power spectra [39] over both spectral bands in 𝐹 = 193 bins between 0 and 2kHz. 単純化のために、マルチスペクトル時系列は、F = 193 ビンと2kHzの間の両スペクトル帯の平均ウェルチパワースペクトル [39] を計算することによって1次元に減少した。 0.86
Finally, the data was log-transformed and individually normalized by the maximum of each spectrum. 最後に、データはログ変換され、各スペクトルの最大値によって個別に正規化される。 0.58
The unlabelled data were recorded from March to November 2020 in various biotopes in the Öresund region in southern Scandinavia and 𝑁 = 40, 000 insect recordings were randomly selected for the experiments with 𝐹 = 193 features after the WBF pre-processing. 2020年3月から11月にかけて、スカンジナビア南部のオーレスンド地域のさまざまなバイオトープで、N = 40,000の昆虫記録が、WBF前処理後のF = 193の特徴を持つ実験のためにランダムに選択されました。 0.63
Additionally, data encompassing 12 different species groups were labelled one species at a time in closed cages in Copenhagen, Denmark. さらに、デンマークのコペンハーゲンのクローズドケージにおいて、12の異なる種群を含むデータを1つの種にラベル付けした。 0.69
From this data, 6000 insect recordings (15% of the unlabelled data) were randomly selected and added to the labelled training set. このデータから, 6000種の昆虫記録(未ラベルデータの15%)をランダムに選択し, ラベル付きトレーニングセットに付加した。 0.79
For each species group, this resulted in 500 labelled recordings to be used in the semi-supervised mode. この結果、種ごとに500種類のラベル付き録音が半監視モードで使われるようになった。 0.66
The average WBF spectra for each labelled species group is shown in Figure 3. 各分類種群の平均WBFスペクトルを図3に示します。 0.74
In order to validate the clustering ability of the different models, 8 out of the 12 labelled species were included in computing the clustering loss, L𝑐𝑙𝑠 in Eq. 異なるモデルのクラスタリング能力を検証するため,12種のラベル付き種のうち8種がクラスタリング損失であるLcls in Eqの計算に含まれていた。 0.85
(11), in the semi-supervised setting. (11)、半監督設定で。 0.53
The remaining four labelled species were used as test set for validating the clustering accuracy. 残りの4種はクラスタリング精度を検証するための試験セットとして使用された。 0.72
4.2 Experimental set-up The dynamic 𝛽-VAE was evaluated in unsupervised and semi-supervised modes to obtain latent representations, which were clustered using K-means. 4.2 実験的セットアップ 動的β-VAEを教師なしおよび半教師付きモードで評価し,K-means を用いてクラスタリングした潜在表現を得た。 0.60
Their clustering performance was compared with HCA and PCA on the same data. クラスタリング性能を同一データ上でのHCAとPCAと比較した。 0.78
The encoder neural network 𝑞𝜃 (z|x) consists of 9 fully connected layers, with rectified linear unit (ReLU) activation (except for the last layer). エンコーダニューラルネットワーク qθ (z|x) は9つの完全連結層から構成され、(最後の層を除いて)整列線形単位 (ReLU) が活性化される。 0.74
The encoder predicts the mean and the variance of the approximate posterior distribution. エンコーダは、近似後方分布の平均および分散を予測する。 0.65
The decoder neural network 𝑝𝜙(x|z) is implemented with 10 fully connected layers and ReLU activation (except the last layer, which has sigmoid activation). あらすじ デコーダニューラルネットワークpφ(x|z)は、10の完全連結層とReLU活性化(シグモイド活性化を有する最後の層を除く)で実装されている。 0.54
The VAE uses a bottleneck 𝐿 = 2 to create the latent representation. VAEはボトルネックL = 2を使って潜入表現を生成する。 0.69
Details of the network architecture are reported in Table 1. ネットワークアーキテクチャの詳細は、表1に報告されている。 0.72
Both the unsupervised and semi-supervised models were run five times on random training and test splits. 非監視モデルと半監督モデルの両方がランダムトレーニングとテスト分割で5回実行されました。 0.67
A random subset of 3000 recordings from the dataset were used as the test set. データセットから3000レコードのランダムなサブセットをテストセットとして使用した。 0.82
After each training run the latent representation of the unlabelled test set was clustered using K-means method. 各トレーニングの実行後に、非ラベルテストセットの潜在表現をK-means法によるクラスタ化した。 0.63
The appropriate number of clusters 𝐾 were automatically selected by the maximum average silhouette score [32] from a range of 5 − 50. クラスタKの適切な数は、5〜50の範囲から最大平均シルエットスコア[32]によって自動的に選択された。 0.69
As we expect the unlabelled data to consist of at least 5 distinct species, we incorporate this as prior information in choosing the range of clusters. ラベルのないデータは少なくとも5つの異なる種で構成されると予測されているので、クラスタの範囲を選択するための事前情報としてこれを組み込んでいます。
訳抜け防止モード: 未発見のデータは少なくとも5つの異なる種から成り立っていると私たちは予想しています。 これを事前情報として クラスタの範囲を選択します
For comparison, the data were also clustered into the same range of clusters using HCA. 比較のために、データはHCAを使用して同じ範囲のクラスタにクラスタ化された。 0.63
The final evaluation was done by comparing the automatically identified clusters with the four labelled test species. 最終評価は、自動的に同定されたクラスターと4つのラベル付き試験種を比較した。
訳抜け防止モード: 最終的な評価は 自動識別されたクラスターを4つのラベル付きテスト種と比較する。
The automatically found clusters where compared with the labelled data using the adjusted rand index (ARI) [31] and adjusted mutual (AMI) information score [38]. 調整されたランドインデックス(ARI)[31]と調整された相互(AMI)情報スコア[38]を用いてラベル付きデータと比較したクラスタを自動的に見つける。 0.82
These metrics are useful to compare clusters obtained in unsupervised settings, as they are agnostic to labels and only focus on the similarity between members within the clusters. これらのメトリクスは、ラベルに非依存であり、クラスタ内のメンバ間の類似性にのみ焦点を合わせるため、監視されていない設定で得られたクラスタを比較するのに有用である。 0.60
Table 1: Network architecture of the implemented dynamic 𝛽-VAE showing the number of hidden units per layer (H) and the non-linear activation functions per layer in the encoder and decoder parts of the network. 表1: 実装された動的β-VAEのネットワークアーキテクチャは、ネットワークのエンコーダおよびデコーダ部において、層毎の隠れユニット数(H)と層毎の非線形活性化関数数を示す。 0.83
(RL: Rectified Linear Unit. (RL:整流線形単位。 0.72
SG: Sigmoid.) SG: Sigmoid。 0.67
# Enc. Dec. 略称はenc。 12月。 0.50
H Act. H Act. H Act H Act 0.59
1 193 RL 2 RL 1 193 RL 2 RL 0.85
2 128 RL 4 RL 2 128 RL 4 RL 0.85
3 128 RL 8 RL 3 128 RL 8 RL 0.85
4 64 RL 16 RL 4 64 RL 16 RL 0.85
5 32 RL 32 RL 5 32 RL 32 RL 0.85
6 16 RL 32 RL 6 16 RL 32 RL 0.85
7 8 RL 64 RL 7 8 RL 64 RL 0.85
8 4 RL 128 RL 8 4 RL 128 RL 0.85
9 2+2 – 128 RL 9 2+2-128RL 0.81
10 – – 193 SG 10 – 193 SG。 0.78 tensityAleyrodidae spp.Aphididae spp.Bombus spp.Ceutorhynchus spp.Chrysomelidae spp.Chrysopidae spp.0500100015002000 Frequency (Hz) .0IntensityCulicidae spp.0500100015002000 Frequency (Hz)Drosophilidae spp.0500100015002000 Frequency (Hz)Lucilia spp.0500100015002000 Frequency (Hz)Muscidae spp.0500100015002000 Frequency (Hz)Staphylinidae spp.0500100015002000 Frequency (Hz)Tortricidae spp. tensityAleyrodidae spp.Aphididae spp.Bombus spp.Ceutorhynchus spp.Chrysomelidae spp.Chrysopidae spp.050015002000Freq uency (Hz) .0IntensityCulicidae spp.0500100015002000 Frequency (Hz)Drosophilidae spp.050015002000Freq uency (Hz)Lucilia spp.0500100015002000 Frequency (Hz)Muscidae spp.050015002000Freq uency (Hz)Staphylinidae spp.0500150015002000 Frequency (Hz)Staphylinidae spp.050050015002000F requency (Trequency) 0.46
Rydhmer and Selvan Rydhmer と Selvan 0.83
(a) PCA (b) Unsupervised model (a)PCA (b) 監督なしモデル 0.84
(c) Semi-supervised model (c) 半監督モデル 0.84
Figure 4: Example latent representation of unlabelled field data and the four test species. 図4: 未ラベルフィールドデータと4つのテスト種の潜在表現例。 0.77
While all three methods map the high dimensional input data to a two dimensional feature space, the VAEs create clusters with less overlap between the species groups. すべての3つの方法は高次元の入力データを2次元の特徴空間にマッピングするが、VAEは種群間の重複が少ないクラスタを作成する。 0.85
The inclusion of 10% labelled data for training further improves the results, yielding denser clusters with less overlap than the unsupervised dynamic 𝛽-VAE. トレーニング用ラベル付きデータ10%を組み込むことにより、結果をさらに改善し、教師なしの動的β-VAEよりも重なりが小さい、より密集したクラスタが得られる。 0.59
4.3 Model parameters & hyperparameters The dynamic 𝛽-VAE has several tunable model parameters, as seen in Eq. 4.3 モデルパラメータ及びハイパーパラメータ 動的β-VAEは、Eqに見られるように、いくつかのチューナブルモデルパラメータを有する。 0.72
(3) to Eq. (3) から eq へ。 0.80
(8). These model parameters were tuned on an independent dataset with a similar distribution as the data used in the experiments reported in this work, obtaining: 𝑎 = 0.2 and 𝑏 = 0.05, 𝑤1 = 𝑤2 = 1.2, 𝑤3 = 0.9 and 𝑤4 = 1.1. (8). これらのモデルパラメータは、この研究で報告された実験データと類似した分布を持つ独立データセット上で調整され、a = 0.2 および b = 0.05、w1 = w2 = 1.2、w3 = 0.9、w4 = 1.1となる。 0.79
These parameters were found to be sufficiently robust on the dataset used in this work without any fine-tuning. これらのパラメータは、微調整なしでこの作業で使用されるデータセット上で十分に堅牢であることが判明しました。
訳抜け防止モード: これらのパラメータは この作業で使用するデータセットに十分な堅牢性を持たせる。
All models were implemented in PyTorch [26] and trained for 5000 epochs using the Adam optimizer [18] with a learning rate of 10−3. すべてのモデルは PyTorch [26] で実装され,Adam Optimizationr [18] を用いて学習率10~3の5000エポックで訓練された。 0.76
The models were trained on Nvidia GTX 1050 graphics processing unit with 4 GB memory with a batch size of 256. モデルはNvidia GTX 1050グラフィックス処理ユニットで4 GBのメモリと256のバッチサイズで訓練されました。 0.84
A decision to adapt 𝛽 was taken every fifth epoch to avoid random fluctuations. βを適応させる決定は、ランダムな変動を避けるために第5四半期ごとに行われた。 0.61
The scaling of the clustering loss, 𝛾, in the semi-supervised mode was cycled between 0.01 and 0.2 every 100 epochs. 半監視モードにおけるクラスタリング損失γのスケーリングは、100エポックごとに0.01から0.2の間でサイクルされた。 0.70
Table 2: Aggregated results from 5 repetitions of each method. 表2:各メソッドの5つの繰り返しから集計結果。 0.83
The unsupervised model performs better than the classical models and adding the labelled data further improves clustering of unlabelled data. 教師なしモデルは、従来のモデルよりもパフォーマンスが良く、ラベル付きデータの追加は、ラベルなしデータのクラスタリングをさらに改善する。 0.57
The median number of automatically determined clusters (K) are also reported. 自動決定されたクラスタ(k)の中央値も報告される。 0.74
(ARI and AMI scores: higher is better) (ARIとAMIスコア:より高い方がよい) 0.83
Models PCA HCA 𝛽-VAE 𝛽-VAE (semi-sup.) PCA HCA β-VAE β-VAE (semi-sup.)モデル 0.72
𝐾 5 25 6 8 𝐾 5 25 6 8 0.85
ARI-score 0.159 ± 0.025 0.150 ± 0.025 0.244 ± 0.051 0.297 ± 0.053 ARI-score 0.159 ± 0.025 0.150 ± 0.025 0.244 ± 0.051 0.297 ± 0.053 0.51
AMI-score 0.221 ± 0.018 0.288 ± 0.042 0.310 ± 0.054 0.390 ± 0.014 AMI-score 0.221 ± 0.018 0.288 ± 0.042 0.310 ± 0.054 0.390 ± 0.014 0.51
4.4 Results The clustering performance on the labelled test set for the unsupervised and semi-supervised instances of the dynamic 𝛽-VAE is presented in Table 2. 4.4結果 動的β-VAEの非監視および半監視インスタンスのラベル付きテストセットのクラスタリング性能を表2に示す。 0.79
In both cases, the VAEs perform better than HCA and PCA in the ARI- and AMI-scores which quantifies the intra-class cohesion and inter-class separability. いずれの場合も、VAEはクラス内凝集とクラス間分離性を定量化するARIスコアとAMIスコアのHCAとPCAより優れている。 0.71
With the semi-supervision the dynamic 𝛽-VAE further improves upon its unsupervised clustering scores, and the improvements compared to the classical models are more pronounced. 半スーパービジョンにより、動的β-VAEは教師なしクラスタリングスコアをさらに改善し、古典モデルと比較して改善がより顕著になる。 0.64
The low dimensional representations of the test species for each model is shown in Figure 4. 各モデルに対するテスト種の低次元表現を図4に示します。 0.77
While the different species form largely separable and homogeneous clusters in all methods, they are relatively more compact in the semi-supervised implementation. 異なる種は主に分離可能で均質なクラスターを形成するが、半教師付き実装では比較的コンパクトである。
訳抜け防止モード: 異なる種はあらゆる方法で分離可能で均質なクラスターを形成する。 半教師付き実装では比較的コンパクトである。
In the results presented in Table 2, the appropriate number of clusters found in the unlabelled test set data is also reported. 表2に示す結果では、不一致のテストセットデータに含まれる適切な数のクラスタも報告されます。 0.73
The number of clusters, 𝐾, was automatically chosen to maximize the average silhouette score [32]. 平均シルエットスコア[32]を最大化するために,クラスタ数,Kが自動的に選択された。
訳抜け防止モード: クラスタ数Kが自動的に選択される 平均的なシルエットスコアを最大化するためです [32]
An example of the latent representation from all 12 labelled species groups by the unsupervised instance is shown in Figure 1. 教師なしの例による12のラベル付き種群全体の潜在表現の例を図1に示します。 0.72
All species generate dense, but partly overlapping, clusters except the weevils (Ceutorhynchus spp. すべての種は密集するが部分的に重なり合うが、ウシ(ceutorhynchus spp)を除く。 0.75
), and to some degree the fruitflies (Drosophilidae spp.) ) およびある程度は, ショウジョウバエ科 (drosophilidae spp.) である。 0.82
which form sparser clusters. スパルサー・クラスターを形成します 0.48
The latent space obtained by the semi-supervised 𝛽-VAE on the unlabelled test set is shown in Figure 6a. 半教師付きβ-vaeにより得られる非ラベルテスト集合上の潜在空間は図6aに示される。 0.68
Using 𝐾 = 15 the data is color coded by cluster and the average spectra from each cluster is shown in Figure 6b. K = 15 を用いて、データはクラスタによって色分けされ、各クラスタの平均スペクトルは図 6b に示される。 0.84
5 DISCUSSIONS In this work, we introduced a dynamic 𝛽-VAE in order to achieve a good trade-off between the reconstruction- and regularization loss terms. 5 DisCusSIONS 本研究では, 再構成-正規化損失項間の良好なトレードオフを実現するため, 動的β-VAEを導入した。 0.75
The proposed 𝛽 dynamics result in useful latent representations for the downstream clustering task. 提案したβダイナミクスは、下流クラスタリングタスクに有用な潜在表現をもたらす。 0.69
Our experiments demonstrate the ability of the model to map high-dimensional insect data into a well regularized latent representation where phylogentic groups are distinguishable. 本実験では、高次元昆虫データを系統群を区別可能な規則化された潜在表現にマッピングするモデルの能力を示す。 0.73
As seen in Figure 2, the initial effect of a dynamic 𝛽 is similar to 𝛽-annealing, where 𝛽 gradually increases during training in order to prevent posterior collapse [3]. 図2に示すように、ダイナミックなβの初期効果はβ-アニーリングと似ており、トレーニング中にβは徐々に増大し、後方崩壊を防いでいる[3]。 0.79
However, the key difference with しかし、重要な違いは 0.67
05PC 1420246PC 2Aphididae spp.4202Latent dim 1202Latent dim 2Bombus spp.Lucilia spp.202Latent dim 12024Latent dim 2Staphylinidae spp. 05PC 1420246PC 2Aphididae spp.4202 Latent dim 1202Latent dim 2Bombus spp.Lucilia spp.202Latent dim 12024Latent dim 2Staphylinidae spp. 0.62
Dynamic 𝛽-VAEs for quantifying biodiversity by clustering optically recorded insect signals 光記録昆虫信号のクラスタリングによる生物多様性の定量化のための動的β-VAE 0.57
Figure 5: Latent space cart-wheel visualization. 図5:遅延スペースカートホイール視覚化。 0.71
Samples from the latent representation of the semi-supervised dynamic 𝛽VAE are shown with decoded latent samples when the lines are traversed. 半教師付き動的βVAEの潜伏表現からのサンプルは、線が横切るときにデコードされた潜伏サンプルで示される。 0.69
While the two dimensions do not appear fully disentangled, the latent space is regularized and transitions between various areas are smooth and gradual. 2次元は完全にはずれていないが、潜在空間は正規化され、様々な領域間の遷移は滑らかで段階的である。 0.68
(a) Latent representation (b) Average WBF spectra and IQR in each cluster (a)潜在表現 b)各クラスターにおける平均wbfスペクトルとiqr 0.69
Figure 6: K-means clustering in the latent representation of unlabelled field data from the semi-supervised 𝛽-VAE into 15 clusters. 図6:k-meansクラスタリング 半教師ありβ-vaeからの未ラベルフィールドデータの潜在表現を15クラスタに分類する。 0.69
The model is capable of generating a low dimensional space where similar insect recordings are represented clustered together. このモデルは、同様の昆虫記録がクラスタリングされた低次元空間を生成することができる。 0.79
The lower right cluster in b) are likely to contain mosquitoes due to their high WBF. b)の右下のクラスターは、その高いWBFのために蚊を含む可能性が高い。 0.77
3210123latent dim 132101234latent dim 201Intensity01Intens ity01Intensity01Inte nsity01Intensity012F requency (kHz)01Intensity012F requency (kHz)012Frequency (kHz) 3210123latent dim 132101234latent dim 201Intensity01Intens ity01Intensity01Inte nsity012Frequency(kH z)01Intensity012Freq uency(kHz)012Frequen cy(kHz) 0.62
𝛽 annealing is that the rate of annealing is not predetermined, as the 𝛽 dynamics described in Sec.3.1 enables self-regulation of 𝛽. βアニールは、Sec.3.1で記述されたβダイナミクスがβの自己調節を可能にするため、アニールの速度が決まっていないことである。 0.59
This is witnessed during the latter part of training, where 𝛽 repeatedly adapted either by increasing or decreasing its value dependent on the changes in the reconstruction- and regularization terms. これはトレーニングの後半で見られ、βは再構成と正規化の条件の変化に依存する価値を増大または減少させることによって繰り返し適応する。 0.79
This behaviour is similar to what is reported with the cyclic 𝛽VAE [9] where the shakeup often allows the model to obtain new global minimum loss. この挙動は、周期的βVAE [9] で報告されているものと類似しており、シェイクアップによってモデルが新しいグローバル最小損失を得ることができる。 0.71
The similarity to the cyclic 𝛽-VAE is further enhanced by automatically increasing 𝛽 when there has been no change for a large number of epochs (500 in our case). 環状β-VAEとの類似性は, 多数のエポックが変化していない場合(本例では500)にβを自動的に増加させることによりさらに強化される。 0.77
However, unlike a cyclic 𝛽-VAE, 𝛽 is only cycled if it has reached a stationary condition and Δ𝑟𝑒𝑔 and Δ𝑟𝑒𝑐 are within limits. しかし、環状β-VAEとは異なり、β は定常状態に達し、Δreg と Δrec が極限内にある場合にのみ循環される。 0.73
This helps both the unsupervised- and semi-supervised instances of dynamic 𝛽-VAE to latch on the historical minimum of both L𝑟𝑒𝑐 and L𝑟𝑒𝑔. これにより、動的β-VAEの教師なしインスタンスと半教師なしインスタンスの両方が、LrecとLregの両方の歴史的最小値でラッチできる。
訳抜け防止モード: これは動的β-vaeの教師なしインスタンスとセミ教師なしインスタンスの両方に役立つ lrecとlregの歴史的最小値にラッチする。
The 𝛽 dynamics introduced in Sec. Secで導入されたβダイナミクス。 0.74
3.1 is also similar to adaptive strategies used in models such as the controlVAE [34]. 3.1 は controlvae [34] のようなモデルで使われる適応戦略と似ている。 0.86
A controlVAE stabilizes the model by adjusting 𝛽 to keep the regularization loss (KLD) at a constant level. 制御VAEは、正規化損失(KLD)を一定レベルに保つためにβを調整することでモデルを安定化する。
訳抜け防止モード: 制御VAEはモデルを安定化する 正規化損失(KLD)を一定レベルに保つためにβを調整する。
However, finding an appropriate KLD level can be difficult as it could vary across datasets and downstream tasks. しかしながら、データセットとダウンストリームタスク間で異なる可能性があるため、適切なkldレベルを見つけることは困難である。 0.59
In contrast, the dynamic 𝛽-VAE keeps the model stable by constantly comparing both L𝑟𝑒𝑐 and L𝑟𝑒𝑔 with their historical minima. 対照的に、動的β-vaeは、lrecとlregの両方と歴史的なミニマを常に比較することにより、モデルを安定に保つ。
訳抜け防止モード: 対照的に、動的なβ-vaeは維持される モデルは安定しています lrec と lreg を 常に比較することで
A gain on either loss term, at the expense of the other, is counteracted by adjusting 𝛽. どちらかの損失項の利得は、他方を犠牲にして、βを調整することで相反する。 0.61
This self-regulating 𝛽 dynamics that is not dependent on fixing KLD value is an advantage with our formulation. KLD値の固定に依存しないこの自己調節βダイナミクスは、私たちの処方のアドバンテージです。 0.70
Comparing the performance between the models reported in Table 2, the unsupervised model performs better than HCA and PCA. 表2で報告されたモデル間の性能を比較すると、教師なしモデルはHCAやPCAよりも優れている。 0.67
Adding 15% of labelled data from 8 different species to the training set further improves the clustering performance. トレーニングセットに8種のラベル付きデータの15%を追加することで、クラスタリングのパフォーマンスがさらに向上する。 0.72
With the experiments reported on the field data, we have also shown that the dynamic 𝛽-VAE can group unlabelled data into clusters that correctly captures the phylogenetic groups (Figure 6). フィールドデータに報告された実験により、動的β-VAEは不一致なデータを正しく系統群を捕捉するクラスタにグループ化できることも示しました(図6)。 0.83
In this work, the appropriate number of clusters were automatically selected by maximizing the average silhouette score. 本研究では,平均シルエットスコアを最大化することにより,適切なクラスタ数を自動的に選択した。 0.62
However, when manually evaluating the average silhouette score and comparing it with commonly used empirical measurements, such as the elbow method [37] and intra-cluster sum-of-squares, a user might typically identify a higher number of clusters. しかし、平均シルエットスコアを手動で評価し、肘法[37]やクラスタ内総和などの一般的な経験的測定と比較すると、ユーザーは通常、より高い数のクラスタを識別することができます。 0.69
Having more clusters yield more similar recordings within each cluster. クラスタを増やせば、各クラスタ内でより類似した記録が得られる。 0.58
An example is show in Figures 6a and 6b where the number of clusters were manually selected. 例えば図6a、6bでは、クラスタの数が手動で選択されている。 0.76
As in previous work by lidar-entomologists [5], some species groups can be identified from these clusters at this level by comparing the average spectra of each cluster with known data. Lidar-entomologists [5]による以前の研究と同様に、いくつかの種群はこのレベルでこれらのクラスターから、各クラスタの平均スペクトルと既知のデータを比較することによって識別することができる。
訳抜け防止モード: ライダー-昆虫学者による以前の研究 [5] このレベルでこれらのクラスターから特定できる種群もあります 各クラスタの平均スペクトルを 既知のデータと比較します
For example a cluster of possible mosquitoes can be identified by their high wing-beat frequency the lower right corner of Figure 6b. 例えば、可能な蚊のクラスターは、図6bの右下隅にある高いウィングビート周波数によって識別することができます。 0.60
With the 3000 randomly chosen insect recordings from multiple sites during summer, we expect the total number of species represented in the test set to be one or several orders of magnitude larger. 夏の間に複数の場所からランダムに選択された3000種の昆虫の記録から、テストセットに表される種の総数は1桁または数桁大きいと予測している。 0.76
We tested a range of 5 − 50 clusters as even reasonably coarse clustering will be useful for quantifying biodiversity. 5~50個のクラスターをテストし,粗いクラスタリングは生物多様性の定量化に有用であると考えられた。 0.62
Once fully deployed on a network of insect sensors, a dataset recorded in an environment with high biodiversity could yield more clusters than a dataset captured in a biologically poor environment. 昆虫センサーのネットワークに完全に展開すると、生物多様性の高い環境で記録されたデータセットは、生物学的に貧弱な環境でキャプチャされたデータセットよりも多くのクラスタを生成することができる。 0.62
This would allow the automated and optically recorded insect data to be correlated with conventional monitoring methods and greatly improve the ability to monitor insect biodiversity at scale. これにより、自動および光学的に記録された昆虫データは、従来のモニタリング方法と相関し、昆虫の生物多様性を大規模に監視する能力を大幅に向上することができる。 0.60
Rydhmer and Selvan Rydhmer と Selvan 0.83
Computation time for PCA + K-Means is significantly shorter compared to HCA on the full spectra [5, 21]. PCA+K平均の計算時間は全スペクトル [5, 21] 上の HCA に比べて有意に短い。 0.83
Once trained, the inference time for the dynamic 𝛽-VAE models is comparable with that of using PCA + K-Means, which can be of considerable advantage in field scenarios. 一度訓練すると、動的β-vaeモデルの推論時間はpca + k-meansと同等であり、フィールドシナリオではかなりの利点がある。
訳抜け防止モード: 訓練されたら、動的β-VAEモデルの推論時間はそれと同等です。 PCA + Kを使用する - フィールドシナリオでかなりの利点を持つことができる手段。
Samples generated from the latent space of the semi-supervised model are shown as a latent space cart-wheel in Figure 5. 半教師付きモデルの潜在空間から生成されたサンプルは、図5の潜在空間カートホイールとして示される。 0.70
Traversing different lines in the latent space results in samples that smoothly transition between different spectra types. 潜在空間内の異なる線を横切ると、異なるスペクトルタイプ間でスムーズに遷移するサンプルが得られる。 0.80
As a side note, we point that the two latent features do not appear to be entirely disentangled; this is manifested as dense islands and sparse spaces of spectra in the latent space. 余談として、2つの潜入特徴は完全に離散しているようには見えません。これは密な島々と潜入空間のスペクトル空間として現れます。 0.73
For our downstream clustering task, fully disentangled features are not required. ダウンストリームクラスタリングタスクでは、完全に分離された機能は必要ありません。 0.56
However, one could introduce an additional loss component that enforces orthogonality between the different latent dimensions to achieve improved disentanglement. しかし、異なる潜在次元間の直交性を強化する追加の損失成分を導入して、改良された束縛を達成することができる。 0.54
The latent representation of the unsupervised model can be further validated by comparing Figure 1 with the average spectra of each group, shown in Figure 3. 教師なしモデルの潜在表現は、図3に示すように、図1と各群の平均スペクトルを比較することでさらに検証することができる。 0.76
Species groups with similar spectra, such as Aleyrodidae spp., Aphididae spp. Aleyrodidae spp.、Aphididae spp.などの同様のスペクトルを持つ種群。 0.82
Tortricidae spp. 学名Tortricidae。 0.64
and Chrysopidae spp. そして、chrysopidae spp。 0.75
are positioned in similar areas. 似たような位置にあります 0.59
Similarily, all dipterans (Lucilia spp., Muscidae spp. 同様に、すべてのdipterans(Lucilia spp.、Muscidae spp。 0.76
and Drosophila spp.) ショウジョウバエ(Drosophila spp.)。 0.69
have overlapping clusters except the mosquitoes (Culicidae spp.) 蚊 (Culicidae spp.) 以外の群集が重複している。 0.76
which have a much higher WBF and are more isolated. より高いWBFを持ち、より孤立している。 0.67
In Figure 1, the model performs less well on the weevils (Ceutorhynchus spp.) 図1では、モデルはWeevils(Ceutorhynchu s spp.)ではあまりうまく機能しません。 0.76
compared to the other species. It is likely due to a larger variation in their WBF than for the other groups. 他の種と比べても これは、他のグループよりもWBFの変動が大きいためと考えられる。 0.71
Previously, gathering labelled measurements from insect species has been difficult due to lack of accessible equipment, but with a standardised sensors available from vendors like FaunaPhotonics, the number of insect species recorded is expected to grow. これまで、昆虫種からのラベル付き測定値の収集は、アクセス可能な機器が不足していることから困難であったが、動物フォトニクスのようなベンダーが利用可能な標準センサーにより、記録された昆虫種の数は増加すると予想されている。 0.60
By adding more labelled species groups to the semi-supervised model, we expect it to improve clustering even further. 半監視モデルにラベル付き種群を追加することで、クラスタリングをさらに改善することを期待しています。 0.67
6 CONCLUSIONS In this work, we have presented, to our knowledge, the first VAE designed for clustering of optically recorded insect signals. 6 CONCLUSIONS この研究で我々は、光学的に記録された昆虫の信号をクラスタリングするために設計された最初のVAEについて紹介した。 0.61
The dynamic 𝛽-VAE was developed in order to achieve a stable model, optimizing both reconstruction- and regularization terms. 動的β-VAEは安定なモデルを達成するために開発され、再構成項と正規化項の両方を最適化した。
訳抜け防止モード: 動的β-vaeの開発 再構成項と正規化項の両方を最適化し、安定したモデルを実現する。
When trained on unlabelled data recorded during field conditions, the model is able to automatically create meaningful clusters. フィールド条件中に記録されたラベルのないデータに基づいてトレーニングすると、モデルは意味のあるクラスタを自動的に作成できます。 0.59
The unsupervised clustering performance was validated with labelled data collected in controlled conditions showing promising results. 教師なしクラスタリング性能は,有望な結果を示す制御条件で収集したラベル付きデータを用いて検証した。 0.54
By using 15% of labelled data during the training process for semi-supervision, this clustering performance is further improved. セミスーパービジョンのトレーニングプロセス中にラベル付きデータの15%を使用することで、このクラスタリング性能はさらに向上する。 0.64
Already at this stage, it is possible to extract easily identifiable insect groups such as mosquitoes from the automatically identified clusters and we expect this capability to grow as the collection of labelled reference data continues. すでにこの段階では、自動的に特定されたクラスターから蚊などの容易に識別できる昆虫群を抽出することが可能であり、ラベル付き参照データの収集が継続するにつれて、この能力が拡大することを期待している。 0.62
The future aim our work is to further improve automatic identification of the number of clusters. 将来的には,クラスタ数の自動識別の改善が目標になります。
訳抜け防止モード: 私たちの仕事の未来は クラスターの数の自動識別をさらに改善する。
In the coming season, the model will be deployed on several sensors in the field, and estimated cluster sizes and distributions will be compared to conventional methods. 来シーズンには、フィールド内の複数のセンサーにモデルが展開され、推定されたクラスタのサイズと分布は従来の方法と比較される。 0.85
This will greatly improve monitoring possibilities and decision support tools for entomologists and agronomists. これにより、昆虫学者や農学者の監視可能性と意思決定支援ツールが大幅に改善される。 0.47
In order to mitigate the trend of declining insect communities, the first step is to ensure adequate data collection. 昆虫群落の減少傾向を緩和するため,第1のステップは十分なデータ収集を確保することである。 0.77
In the near future, we believe 近い将来、我々は信じている 0.80
Dynamic 𝛽-VAEs for quantifying biodiversity by clustering optically recorded insect signals 光記録昆虫信号のクラスタリングによる生物多様性の定量化のための動的β-VAE 0.57
methods based on the proposed dynamic 𝛽-VAE will be useful to quantify and, thus, help conserve insect biodiversity. 提案する動的β-vaeに基づく手法は,昆虫の生物多様性の定量化や保全に有用である。 0.80
ACKNOWLEDGMENTS Ankit Kariyaa, Inger Kappel Schmidt and Laurence Still for proof reading. ACKNOWLEDGMENTS Ankit Kariyaa、Inger Kappel SchmidtとLaurence Stillは、証拠の読み取りのためにいます。 0.68
Marta Montaro and teammates for labelled data recordings. Marta Montaro とチームメイトによるラベル付きデータ記録。 0.84
Erik B Dam and Christoffer Grønne for helpful discussions. Erik B Dam と Christoffer Grønne が協力的な議論を行った。 0.70
REFERENCES [1] Andrea Asperti and Matteo Trentin. REFERENCES [1] Andrea AspertiとMatteo Trentin。 0.77
2020. Balancing reconstruction error and Kullback-Leibler divergence in Variational Autoencoders. 2020. 変分オートエンコーダにおける復元誤差とクルバック・リーブラのばらつき 0.76
IEEE Access 8 (2020), 199440–199448. IEEE Access 8 (2020)、199440-199448。 0.90
[2] Yoshua Bengio, Aaron Courville, and Pascal Vincent. [2]ヨシュア・ベンジオ、アーロン・クールヴィル、パスカル・ヴィンセント。 0.60
2013. Representation learning: A review and new perspectives. 2013. 表現学習: レビューと新しい視点。 0.74
IEEE transactions on pattern analysis and machine intelligence 35, 8 (2013), 1798–1828. IEEEによるパターン分析とマシンインテリジェンス35, 8 (2013), 1798–1828に関するトランザクション。 0.86
[3] Samuel R Bowman, Luke Vilnis, Oriol Vinyals, Andrew M Dai, Rafal Jozefowicz, and Samy Bengio. 3] Samuel R Bowman, Luke Vilnis, Oriol Vinyals, Andrew M Dai, Rafal Jozefowicz, Samy Bengio。 0.73
2015. Generating sentences from a continuous space. 2015. 連続空間から文を生成する。 0.82
arXiv preprint arXiv:1511.06349 (2015). arXiv preprint arXiv:1511.06349 (2015)。 0.77
[4] Mikkel Brydegaard. ミッケル・ブライドガード(Mikkel Brydegaard)。 0.49
2014. Advantages of shortwave infrared LIDAR entomology. 2014. 短波赤外LIDARエントロジーの利点。 0.72
In Laser Applications to Chemical, Security and Environmental Analysis. 化学・安全保障・環境分析へのレーザー応用 0.73
Optical Society of America, LW2D–6. アメリカ光学学会、LW2D-6。 0.63
[5] Mikkel Brydegaard, Samuel Jansson, Elin Malmqvist, Yeromin P Mlacha, Alem Gebru, Fredros Okumu, Gerry F Killeen, and Carsten Kirkeby. Mikkel Brydegaard氏、Samuel Jansson氏、Elin Malmqvist氏、Yeromin P Mlacha氏、Alem Gebru氏、Fredros Okumu氏、Gerry F Killeen氏、Carsten Kirkeby氏。 0.68
2020. Lidar reveals activity anomaly of malaria vectors during pan-African eclipse. 2020. Lidarは、パンアフリカ日食中にマラリアベクターの活性異常を明らかにします。 0.68
Science Advances 6, 20 (2020), eaay5487. Science Advances 6, 20 (2020), eaay5487。 0.81
[6] Yanping Chen, Adena Why, Gustavo Batista, Agenor Mafra-Neto, and Eamonn Keogh. 6]Yanping Chen, Adena Why, Gustavo Batista, Agenor Mafra-Neto, Eamonn Keogh。 0.73
2014. Flying insect classification with inexpensive sensors. 2014. 安価なセンサーを用いた飛行昆虫分類 0.83
Journal of insect behavior 27, 5 (2014), 657–677. 昆虫の行動のジャーナル27, 5 (2014), 657–677。 0.74
[7] Eleftherios Fanioudakis, Matthias Geismar, and Ilyas Potamitis. 7] Eleftherios Fanioudakis、Matthias Geismar、およびIlyas Potamitis。 0.69
2018. Mosquito wingbeat analysis and classification using deep learning. 2018. 深層学習による蚊の羽ばたき解析と分類 0.80
In 2018 26th European Signal Processing Conference (EUSIPCO). 2018年第26回欧州信号処理会議(EUSIPCO)。 0.81
IEEE, 2410–2414. IEEE 2410–2414。 0.90
[8] Jhosimar Arias Figueroa and Adín Ramírez Rivera. 8] Jhosimar Arias FigueroaとAdín Ramírez Rivera。 0.72
2017. Learning to cluster with auxiliary tasks: A semi-supervised approach. 2017. 補助タスクによるクラスタへの学習: 半教師付きアプローチ。 0.83
In 2017 30th SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI). 2017年の第30回SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI) に参加。 0.80
IEEE, 141–148. IEEE 141-148。 0.88
[9] Hao Fu, Chunyuan Li, Xiaodong Liu, Jianfeng Gao, Asli Celikyilmaz, and Lawrence Carin. 9] Hao Fu、Chunyuan Li、Xiaodong Liu、Jianfeng Gao、Asli Celikyilmaz、Lawrence Carin。 0.65
2019. Cyclical annealing schedule: A simple approach to mitigating kl vanishing. 2019. サイクルアニーリングスケジュール:klの消失を緩和するための簡単なアプローチ。 0.80
arXiv preprint arXiv:1903.10145 (2019). arXiv preprint arXiv:1903.10145 (2019) 0.83
[10] T. Ganchev, I. Potamitis, and N. Fakotakis. 10] T. Ganchev、I. Potamitis、およびN. Fakotakis。 0.84
2007. Acoustic Monitoring of Singing Insects. 2007. 歌唱昆虫の音響モニタリング 0.71
In 2007 IEEE International Conference on Acoustics, Speech and Signal Processing - ICASSP ’07, Vol. 2007年IEEE International Conference on Acoustics, Speech and Signal Processing - ICASSP ’07, Vol. 0.82
4. IV–721–IV–724. 4. IV-721-IV-724。 0.60
https://doi.org/10.1 109/ICASSP. https://doi.org/10.1 109/ICASSP 0.41
2007.367014 [11] Alem Gebru, Samuel Jansson, Rickard Ignell, Carsten Kirkeby, Jord C Prangsma, and Mikkel Brydegaard. 2007.367014 [11] Alem Gebru, Samuel Jansson, Rickard Ignell, Carsten Kirkeby, Jord C Prangsma, Mikkel Brydegaard 0.79
2018. Multiband modulation spectroscopy for the determination of sex and species of mosquitoes in flight. 2018. 飛行中の蚊の性別および種を決定するためのマルチバンド変調分光法 0.84
Journal of biophotonics 11, 8 (2018), e201800014. journal of biophotonics 11, 8 (2018), e201800014。 0.77
[12] Adrien Genoud, Roman Basistyy, Gregory Williams, and Benjamin Thomas. 12] Adrien Genoud、Roman Basistyy、Gregory Williams、Benjamin Thomas。 0.66
2017. Remote characterization of flying mosquitoes using an infrared Lidar system. 2017. 赤外線ライダーシステムを用いた空飛ぶ蚊の遠隔評価 0.78
Bulletin of the American Physical Society 62 (2017). アメリカ物理学会 62 (2017) の略。 0.49
[13] Dave Goulson, Elizabeth Nicholls, Cristina Botías, and Ellen L Rotheray. 13] Dave Goulson, Elizabeth Nicholls, Cristina Botías, Ellen L Rotheray。 0.70
2015. Bee declines driven by combined stress from parasites, pesticides, and lack of flowers. 2015. ミツバチは寄生虫、殺虫剤、花の欠如によるストレスによって減少する。 0.70
Science 347, 6229 (2015). 科学347, 6229 (2015)。 0.79
[14] Caspar A Hallmann, Martin Sorg, Eelke Jongejans, Henk Siepel, Nick Hofland, Heinz Schwan, Werner Stenmans, Andreas Müller, Hubert Sumser, Thomas Hörren, et al. 14] Caspar A Hallmann, Martin Sorg, Eelke Jongejans, Henk Siepel, Nick Hofland, Heinz Schwan, Werner Stenmans, Andreas Müller, Hubert Sumser, Thomas Hörren, et al。 0.81
2017. More than 75 percent decline over 27 years in total flying insect biomass in protected areas. 2017. 保護地域における全飛行昆虫バイオマスの27年間で75%以上が減少している。 0.80
PloS one 12, 10 (2017), e0185809. PloS one 12, 10 (2017), e0185809。 0.82
[15] Irina Higgins, Loic Matthey, Arka Pal, Christopher Burgess, Xavier Glorot, Matthew Botvinick, Shakir Mohamed, and Alexander Lerchner. irin Higgins氏、Loic Matthey氏、Arka Pal氏、Christopher Burgess氏、Xavier Glorot氏、Matthew Botvinick氏、Shakir Mohamed氏、Alexander Lerchner氏。 0.73
2016. beta-VAE: Learning basic visual concepts with a constrained variational framework. 2016 β-VAE: 制約付き変動フレームワークで基本的な視覚概念を学ぶ。 0.73
(2016). [16] Samuel Jansson, Peggy Atkinson, Rickard Ignell, and Mikkel Brydegaard. (2016). 16] Samuel Jansson、Peggy Atkinson、Rickard Ignell、Mikkel Brydegaard。 0.76
2018. IEEE [17] Samuel Jansson and Mikkel Brydegaard. 2018. IEEE [17] Samuel Jansson と Mikkel Brydegaard。 0.83
2018. Passive kHz lidar for the quantifi- 2018. 量子化のためのパッシブkHzライダー- 0.70
First polarimetric investigation of malaria mosquitoes as lidar targets. lidarターゲットとしてのマラリア蚊に関する最初のポラリメトリック調査。 0.70
Journal of Selected Topics in Quantum Electronics 25, 1 (2018), 1–8. Journal of Selected Topics in Quantum Electronics 25, 1 (2018), 1–8。 0.86
cation of insect activity and dispersal. 昆虫の活動および分散のカチオン。 0.77
Animal Biotelemetry 6, 1 (2018), 1–10. Animal Biotelemetry 6, 1 (2018), 1–10。 0.87
[18] Diederik P Kingma and Jimmy Ba. [18]Diederik P KingmaとJimmy Ba。 0.79
2015. Adam: A Method for Stochastic Opti- 2015. Adam:確率的最適化の方法- 0.74
[19] Diederik P Kingma and Max Welling. [19] Diederik P KingmaとMax Welling。 0.78
2014. Auto-encoding variational bayes. 2014. 自動エンコード可変ベイ。 0.76
In mization. In International Conference on Learning Representation. 内 マネタイズ。 International Conference on Learning Representationに参加。 0.63
International Conference on Learning Representations. International Conference on Learning Representations(英語) 0.80
[20] Carsten Kirkeby, Klas Rydhmer, Samantha M Cook, Alfred Strand, Martin T Torrance, Jennifer L Swain, Jord Prangsma, Andreas Johnen, Mikkel Jensen, Mikkel Brydegaard, et al. 20] Carsten Kirkeby, Klas Rydhmer, Samantha M Cook, Alfred Strand, Martin T Torrance, Jennifer L Swain, Jord Prangsma, Andreas Johnen, Mikkel Jensen, Mikkel Brydegaard, et al。 0.81
[n.d.]. Advances in automatic identification of flying insects using optical sensors and machine learning. [n.d.] 光学センサと機械学習を用いた飛行昆虫の自動識別の進歩。 0.84
Scientific Reports 11, 1 ([n. d.]), 1–8. 科学的報告 11, 1 ([n. d.]), 1–8。 0.79
[21] Benoit K Kouakou, Samuel Jansson, Mikkel Brydegaard, and Jeremie T Zoueu. 21] Benoit K Kouakou、Samuel Jansson、Mikkel Brydegaard、Jeremie T Zoueu。 0.66
2020. Entomological Scheimpflug lidar for estimating unique insect classes in-situ field test from Ivory Coast. 2020. Ivory Coast のフィールドテストでユニークな昆虫クラスを推定するための昆虫学的シェープフルグライダー。 0.75
OSA Continuum 3, 9 (2020), 2362–2371. OSA Continuum 3, 9 (2020), 2362–2371。 0.84
[22] Meng Li, Samuel Jansson, Anna Runemark, Jonathan Peterson, Carsten Thure Kirkeby, Anna Maria Jönsson, and Mikkel Brydegaard. Meng Li氏、Samuel Jansson氏、Anna Runemark氏、Jonathan Peterson氏、Carsten Thure Kirkeby氏、Anna Maria Jönsson氏、Mikkel Brydegaard氏。 0.74
2020. Bark beetles as lidar targets and prospects of photonic surveillance. 2020. ライダーターゲットとしてのバークビートルとフォトニック監視の展望 0.68
Journal of Biophotonics (2020), e202000420. Journal of Biophotonics (2020), e202000420。 0.78
[23] RW Mankin, DW Hagstrum, MT Smith, AL Roda, and MTK Kairo. [23]RW Mankin、DW Hagstrum、MT Smith、AL Roda、MTK Kairo。 0.68
2011. Perspective and promise: a century of insect acoustic detection and monitoring. 2011. 展望と約束:1世紀にわたる昆虫の音響検出と監視。 0.81
American Entomologist 57, 1 (2011), 30–44. アメリカ昆虫学者57, 1 (2011), 30–44。 0.78
(1988), 1441–1449. (1988), 1441–1449. 0.97
[24] Robert M May. ロバート・M・メイ(Robert M May)。 0.57
1988. How many species are there on earth? 1988. 地球上には何種類ありますか。 0.81
Science 241, 4872 [25] RC Muirhead-Thompson. 科学241, 4872 [25] RC Muirhead-Thompson。 0.93
2012. Trap responses of flying insects: the influence of 2012. 空飛ぶ昆虫のトラップ応答:-その影響 0.79
trap design on capture efficiency. 捕獲効率に関するトラップ設計。 0.75
(2012). [26] Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, et al. (2012). [26] Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, et al。 0.84
2019. PyTorch: An Imperative Style, High-Performance Deep Learning Library. 2019. PyTorch: 命令型スタイル,高性能なディープラーニングライブラリ。 0.79
Advances in Neural Information Processing Systems 32 (2019), 8026–8037. Neural Information Processing Systems 32 (2019), 8026–8037 の進歩。 0.84
[27] Ilyas Potamitis, Panagiotis Eliopoulos, and Iraklis Rigakis. [27]Ilyas Potamitis, Panagiotis Eliopoulos, Iraklis Rigakis。 0.70
2017. Automated remote insect surveillance at a global scale and the internet of things. 2017. リモート昆虫監視を世界規模と物のインターネットで自動化する。 0.80
Robotics 6, 3 (2017), 19. ロボット6、3(2017年)、19。 0.77
[28] Ilyas Potamitis, Iraklis Rigakis, and Konstantinos Fysarakis. [28]Ilyas Potamitis,Iraklis Rigakis,Konstantinos Fysarakis。 0.62
2014. The electronic 2014. 電子装置は 0.77
McPhail trap. McPhail トラップ。 0.73
Sensors 14, 12 (2014), 22285–22299. センサ14, 12 (2014), 22285–22299。 0.79
[29] Simon G Potts, Hien T Ngo, Jacobus C Biesmeijer, Thomas D Breeze, Lynn V Dicks, Lucas A Garibaldi, Rosemary Hill, Josef Settele, and Adam Vanbergen. 1729] Simon G Potts, Hien T Ngo, Jacobus C Biesmeijer, Thomas D Breeze, Lynn V Dicks, Lucas A Garibaldi, Rosemary Hill, Josef Settele, Adam Vanbergen 0.72
2016. The assessment report of the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services on pollinators, pollination and food production. 2016. 受粉者、受粉、食品生産に関する生物多様性と生態系サービスに関する政府間サイエンス・ポリシプラットフォームの評価レポート。 0.79
(2016). [30] Yu Qi, Goktug T Cinar, Vinicius MA Souza, Gustavo EAPA Batista, Yueming Wang, and Jose C Principe. (2016). [30]Yu Qi, Goktug T Cinar, Vinicius MA Souza, Gustavo EAPA Batista, Yueming Wang, Jose C Principe。 0.79
2015. Effective insect recognition using a stacked autoencoder with maximum correntropy criterion. 2015. 最大コレントロピー基準付き自己エンコーダを用いた効果的な昆虫認識 0.81
In 2015 International Joint Conference on Neural Networks (IJCNN). 2015年、IJCNN(International Joint Conference on Neural Networks)に参加。 0.85
IEEE, 1–7. [31] William M Rand. IEEE 1-7。 ウィリアム・M・ランド(William M Rand)。 0.74
1971. Objective criteria for the evaluation of clustering methods. 1971. クラスタリング手法の評価のための客観的基準 0.82
Journal of the American Statistical association 66, 336 (1971), 846–850. Journal of the American Statistical Association 66, 336 (1971), 846–850。 0.83
[32] Peter J Rousseeuw. [32] Peter J Rousseeuw。 0.81
1987. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. 1987. Silhouettes: クラスタ分析の解釈と検証のためのグラフィカルな支援。 0.82
Journal of computational and applied mathematics 20 (1987), 53–65. journal of computational and applied mathematics 20 (1987)、53-65頁。 0.82
[33] Huajie Shao, Haohong Lin, Qinmin Yang, Shuochao Yao, and Tarek Abdelzaher. [33]Huajie Shao、Haohong Lin、Qinmin Yang、Shuochao Yao、Tarek Abdelzaher。 0.65
2020. DynamicVAE: Decoupling Reconstruction Error and Disentangled Representation Learning. 2020. DynamicVAE:Reconstru ction ErrorとDisentangled Representation Learningを分離する。 0.85
arXiv preprint arXiv:2009.06795 (2020). arXiv preprint arXiv:2009.06795 (2020) 0.83
[34] Huajie Shao, Shuochao Yao, Dachun Sun, Aston Zhang, Shengzhong Liu, Dongxin Liu, Jun Wang, and Tarek Abdelzaher. [34] Huajie Shao、Shuochao Yao、Dachun Sun、Aston Zhang、Shengzhong Liu、Dongxin Liu、Jun Wang、Tarek Abdelzaher。 0.68
2020. Controlvae: Controllable variational autoencoder. 2020. Controlvae: 可変変分オートエンコーダ。 0.78
In International Conference on Machine Learning. 機械学習に関する国際会議で。 0.81
PMLR, 8655–8664. PMLR,8655-8664。 0.67
[35] Joseph A Shaw, Nathan L Seldomridge, Dustin L Dunkle, Paul W Nugent, Lee H Spangler, Jerry J Bromenshenk, Colin B Henderson, James H Churnside, and James J Wilson. 35] Joseph A Shaw, Nathan L Seldomridge, Dustin L Dunkle, Paul W Nugent, Lee H Spangler, Jerry J Bromenshenk, Colin B Henderson, James H Churnside, James J Wilson
訳抜け防止モード: [35 ]Joseph A Shaw, Nathan L Seldomridge, Dustin L Dunkle, Paul W Nugent, Lee H Spangler, Jerry J Bromenshenk コリン・B・ヘンダーソン、ジェームズ・H・チャーンサイド、ジェームズ・J・ウィルソン。
2005. Polarization lidar measurements of honey bees in flight for locating land mines. 2005. 地雷探査のための飛行中のハチミツバチの偏光ライダー測定 0.70
Optics express 13, 15 (2005), 5853–5863. 光学式:13, 15 (2005), 5853–5863。 0.63
are there on Earth? Annual review of entomology 63 (2018), 31–45. 地球にいるのか? entomology 63(2018年)、31-45頁。 0.75
267–276. [37] Robert L Thorndike. 267–276. Robert L Thorndike (複数形 Robert L Thorndikes) 0.67
1953. Who belongs in the family? 1953年家族は誰ですか。 0.84
Psychometrika 18, 4 (1953), [38] Nguyen Xuan Vinh, Julien Epps, and James Bailey. Psychometrika 18, 4 (1953), [38] Nguyen Xuan Vinh, Julien Epps, James Bailey。 0.72
2010. Information theoretic measures for clusterings comparison: Variants, properties, normalization and correction for chance. 2010. クラスタリング比較のための情報理論測度:変数、特性、正規化、チャンス補正。 0.77
The Journal of Machine Learning Research 11 (2010), 2837– 2854. Journal of Machine Learning Research 11 (2010)、2837–2854。 0.76
[39] Peter Welch. ピーター・ウェルチ(Peter Welch)。 0.57
1967. The use of fast Fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms. 1967. パワースペクトル推定のための高速フーリエ変換の使用:短い、修正された周期図上の平均時間に基づく方法。 0.82
IEEE Transactions on audio and electroacoustics 15, 2 (1967), 70–73. IEEE オーディオおよび電気音響に関する取引 15, 2 (1967), 70–73。 0.88
[36] Nigel E Stork. [36] Nigel E Stork。 0.82
2018. How many species of insects and other terrestrial arthropods 2018. いくつの昆虫や他の陸生節足動物が 0.83

翻訳にはFugu-Machine Translatorを利用しています。