論文の概要: Behaviour Modelling of Social Animals via Causal Structure Discovery and
Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2312.14333v1
- Date: Thu, 21 Dec 2023 23:34:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 16:37:57.502481
- Title: Behaviour Modelling of Social Animals via Causal Structure Discovery and
Graph Neural Networks
- Title（参考訳）: 因果構造発見とグラフニューラルネットワークによる社会動物の行動モデリング
- Authors: Ga\"el Gendron, Yang Chen, Mitchell Rogers, Yiping Liu, Mihailo Azhar,
Shahrokh Heidari, David Arturo Soriano Valdez, Kobe Knowles, Padriac O'Leary,
Simon Eyre, Michael Witbrock, Gillian Dobbie, Jiamou Liu and Patrice Delmas
- Abstract要約: 本稿では,時系列の因果構造探索とグラフニューラルネットワークを用いた行動モデル構築手法を提案する。
本手法を動物園環境におけるメスカットの群落に適用し,今後の行動を予測する能力について検討する。
- 参考スコア（独自算出の注目度）: 15.542220566525021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Better understanding the natural world is a crucial task with a wide range of
applications. In environments with close proximity between humans and animals,
such as zoos, it is essential to better understand the causes behind animal
behaviour and what interventions are responsible for changes in their
behaviours. This can help to predict unusual behaviours, mitigate detrimental
effects and increase the well-being of animals. There has been work on
modelling the dynamics behind swarms of birds and insects but the complex
social behaviours of mammalian groups remain less explored. In this work, we
propose a method to build behavioural models using causal structure discovery
and graph neural networks for time series. We apply this method to a mob of
meerkats in a zoo environment and study its ability to predict future actions
and model the behaviour distribution at an individual-level and at a group
level. We show that our method can match and outperform standard deep learning
architectures and generate more realistic data, while using fewer parameters
and providing increased interpretability.
- Abstract（参考訳）: 自然界をより深く理解することは、幅広いアプリケーションにおいて重要なタスクです。
人間と動物、例えば動物園との距離が近い環境では、動物行動の原因や行動の変化にどのような介入が関与するかをよりよく理解することが不可欠である。
これは異常な行動を予測し、有害な影響を軽減し、動物の健康を高めるのに役立つ。
鳥類や昆虫の群れの背後にある力学をモデル化する研究は行われているが、哺乳類群の複雑な社会行動はいまだに解明されていない。
本研究では,時系列の因果構造発見とグラフニューラルネットワークを用いて行動モデルを構築する手法を提案する。
本手法を動物園環境におけるメスカットの群集に適用し,将来の行動を予測する能力と個体レベルでの行動分布をモデル化する能力について検討する。
提案手法は標準ディープラーニングアーキテクチャに適合し,よりリアルなデータを生成するとともに,パラメータが少なく,解釈可能性も向上することを示す。
関連論文リスト
- LISBET: a machine learning model for the automatic segmentation of social behavior motifs [0.0]
LISBET(LISBET Is a Social BEhavior Transformer)は,社会的相互作用の検出とセグメンテーションのための機械学習モデルである。
身体追跡データを用いた自己教師型学習により,広範囲な人的アノテーションの必要性を排除した。
生体内電気生理学的には,本モデルで同定されたモチーフに対応する腹側歯根膜領域の神経信号が明瞭であった。
論文 参考訳（メタデータ） (2023-11-07T15:35:17Z) - CNN-Based Action Recognition and Pose Estimation for Classifying Animal
Behavior from Videos: A Survey [0.0]
アクション認識(Action Recognition)は、1つ以上の被験者がトリミングされたビデオで行う活動の分類であり、多くの技術の基礎を形成する。
人間の行動認識のためのディープラーニングモデルは、過去10年間に進歩してきた。
近年,深層学習に基づく行動認識を取り入れた研究への関心が高まっている。
論文 参考訳（メタデータ） (2023-01-15T20:54:44Z) - Multi-view Tracking, Re-ID, and Social Network Analysis of a Flock of
Visually Similar Birds in an Outdoor Aviary [32.19504891200443]
曲鳥群が3次元空間を移動する際にの行動動態を研究するシステムについて紹介する。
密接な相互作用する動物群を3次元で追跡する際に生じる複雑さについて検討し、マルチビュートラッカーを評価するための新しいデータセットを提案する。
論文 参考訳（メタデータ） (2022-12-01T04:23:18Z) - The Introspective Agent: Interdependence of Strategy, Physiology, and
Sensing for Embodied Agents [51.94554095091305]
本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。
自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
論文 参考訳（メタデータ） (2022-01-02T20:14:01Z) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - Beyond Tracking: Using Deep Learning to Discover Novel Interactions in
Biological Swarms [3.441021278275805]
本稿では,システムレベルの状態を全体像から直接予測するディープ・ネットワーク・モデルを提案する。
結果の予測モデルは、人間の理解した予測モデルに基づいていないため、説明モジュールを使用する。
これは、行動生態学における人工知能の例である。
論文 参考訳（メタデータ） (2021-08-20T22:50:41Z) - Learning interaction rules from multi-animal trajectories via augmented
behavioral models [8.747278400158718]
グランガー因果関係は観測された時系列データから相互作用を分析するための実践的なフレームワークである。
この枠組みは動物行動における生成過程の構造を無視している。
マルチアニマル軌道からグラガー因果関係を学習するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-07-12T11:33:56Z) - Zoo-Tuning: Adaptive Transfer from a Zoo of Models [82.9120546160422]
Zoo-Tuningは、事前訓練されたモデルのパラメータをターゲットタスクに適応的に転送することを学ぶ。
我々は、強化学習、画像分類、顔のランドマーク検出など、様々なタスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2021-06-29T14:09:45Z) - Fooling the primate brain with minimal, targeted image manipulation [67.78919304747498]
本稿では、行動に反映される神経活動と知覚の両方の変化をもたらす、最小限の標的画像摂動を生成するための一連の手法を提案する。
我々の研究は、敵対的攻撃、すなわち最小限のターゲットノイズによる画像の操作で同じ目標を共有し、ANNモデルに画像の誤分類を誘導する。
論文 参考訳（メタデータ） (2020-11-11T08:30:54Z) - Causal Discovery in Physical Systems from Videos [123.79211190669821]
因果発見は人間の認知の中心にある。
本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
論文 参考訳（メタデータ） (2020-07-01T17:29:57Z)
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。