論文の概要: A benchmark for computational analysis of animal behavior, using animal-borne tags

• arxiv url: http://arxiv.org/abs/2305.10740v3
• Date: Fri, 27 Sep 2024 19:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 21:58:39.311547
• Title: A benchmark for computational analysis of animal behavior, using animal-borne tags
• Title（参考訳）: 動物性タグを用いた動物行動の計算的分析のためのベンチマーク
• Authors: Benjamin Hoffman, Maddie Cusimano, Vittorio Baglione, Daniela Canestrari, Damien Chevallier, Dominic L. DeSantis, Lorène Jeantet, Monique A. Ladds, Takuya Maekawa, Vicente Mata-Silva, Víctor Moreno-González, Anthony Pagano, Eva Trapote, Outi Vainio, Antti Vehkaoja, Ken Yoda, Katherine Zacarian, Ari Friedlaender,
• Abstract要約: 行動アノテーション付きデータセットの集合であるBio-logger Ethogram Benchmark (BEBE)について述べる。 生物ログデータに基づく動物行動同定のための深層・古典的機械学習手法の性能の比較を行った。
• 参考スコア（独自算出の注目度）: 0.6055654308018396
• License:
• Abstract: Animal-borne sensors (`bio-loggers') can record a suite of kinematic and environmental data, which are used to elucidate animal ecophysiology and improve conservation efforts. Machine learning techniques are used for interpreting the large amounts of data recorded by bio-loggers, but there exists no common framework for comparing the different machine learning techniques in this domain. This makes it difficult to, for example, identify patterns in what works well for machine learning-based analysis of bio-logger data. It also makes it difficult to evaluate the effectiveness of novel methods developed by the machine learning community. To address this, we present the Bio-logger Ethogram Benchmark (BEBE), a collection of datasets with behavioral annotations, as well as a modeling task and evaluation metrics. BEBE is to date the largest, most taxonomically diverse, publicly available benchmark of this type. Using BEBE, we compare the performance of deep and classical machine learning methods for identifying animal behaviors based on bio-logger data. As an example usage of BEBE, we test an approach based on self-supervised learning. To apply this approach to animal behavior classification, we adapt a deep neural network pre-trained with 700,000 hours of data collected from human wrist-worn accelerometers. We find that deep neural networks out-perform the classical machine learning methods we tested across all nine datasets in BEBE. We additionally find that the approach based on self-supervised learning out-performs the alternatives we tested, especially in settings when there is a low amount of training data available. In light of this, we are able to make concrete suggestions for designing studies that rely on machine learning to infer behavior from bio-logger data. Datasets and code are available at https://github.com/earthspecies/BEBE.
• Abstract（参考訳）: 動物由来のセンサー (bio-loggers) は、動物生態学を解明し、保護活動を改善するために使用される、運動と環境のデータ群を記録できる。 機械学習技術はバイオログによって記録された大量のデータを解釈するために使用されるが、この領域で異なる機械学習技術を比較するための共通の枠組みは存在しない。 これにより、例えば、バイオログデータの機械学習ベースの分析でうまく機能するパターンを特定するのが難しくなる。 また,機械学習コミュニティによって開発された新しい手法の有効性を評価することも困難である。 これを解決するために,行動アノテーション付きデータセットの集合であるBio-logger Ethogram Benchmark (BEBE) と,モデリングタスクと評価指標を提示する。 BEBEは現在、このタイプの最大の、最も分類学的に多様性があり、一般公開されているベンチマークである。 BEBEを用いて,生物ログデータに基づく動物行動識別のための深層・古典的機械学習手法の性能を比較した。 BEBEの例として,自己教師型学習に基づくアプローチを検証した。 このアプローチを動物行動分類に適用するために、人間の手首の加速度計から収集した70,000時間のデータを事前訓練したディープニューラルネットワークを適用する。 深層ニューラルネットワークは、BEBEの9つのデータセットすべてでテストした古典的な機械学習手法よりも優れています。 さらに、自己教師型学習に基づくアプローチは、特にトレーニングデータが少ない場合に、テストした代替手段よりも優れています。 これを踏まえて、バイオログデータから振る舞いを推論するために機械学習に依存する研究を設計するための具体的な提案を行うことができる。 データセットとコードはhttps://github.com/earthspecies/BEBEで入手できる。

関連論文リスト

• Automated Behavioral Analysis Using Instance Segmentation [2.043437148047176]
  動物行動分析は、生命科学や生物医学研究など、様々な分野で重要な役割を果たしている。 利用可能なデータの不足とラベル付きデータセットの大量取得に伴う高コストが大きな課題となっている。 本稿では,これらの問題に対処するために,インスタンスセグメンテーションに基づくトランスファー学習を活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-12-12T20:36:36Z)
• A Memory Transformer Network for Incremental Learning [64.0410375349852]
  本研究では,モデルが学習する時間とともに,新しいデータクラスが観察される学習環境であるクラスインクリメンタルラーニングについて検討する。 素直な問題定式化にもかかわらず、クラス増分学習への分類モデルの素直な適用は、これまで見られたクラスの「破滅的な忘れ込み」をもたらす。 これは、過去のデータのサブセットをメモリバンクに保存し、将来のタスクをトレーニングする際の忘れの防止にそれを活用することで、破滅的な忘れの問題を克服するものだ。
  論文  参考訳（メタデータ） (2022-10-10T08:27:28Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• Review on Social Behavior Analysis of Laboratory Animals: From Methodologies to Applications [0.0]
  従来の視覚的手法,統計的手法,深層学習手法を網羅し,多様な行動検出アルゴリズムを探索する。 本研究の目的は、動物行動の効率的な検出方法のひっかき傷を生物学者に与え、関連する研究を徹底的に調査することである。
  論文  参考訳（メタデータ） (2022-06-25T13:40:35Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Human Activity Analysis and Recognition from Smartphones using Machine Learning Techniques [0.0]
  人間の活動認識(HAR)は、過去数十年で貴重な研究トピックと考えられています。 本稿では、機械学習モデルを用いてデータを分析し、人間の活動を認識する。
  論文  参考訳（メタデータ） (2021-03-30T16:46:40Z)
• Unsupervised Multi-Modal Representation Learning for Affective Computing with Multi-Corpus Wearable Data [16.457778420360537]
  我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。 提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。 提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-24T22:01:55Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Machine learning approaches for identifying prey handling activity in otariid pinnipeds [12.814241588031685]
  本稿では,アザラシの捕食行動の同定に焦点をあてる。 考慮すべきデータは、アザラシに直接取り付けられたデバイスによって収集された3D加速度計と深度センサーのストリームである。 機械学習(ML)アルゴリズムに基づく自動モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-10T15:30:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。