論文の概要: Learning to Fuse Temporal Proximity Networks: A Case Study in Chimpanzee Social Interactions

• arxiv url: http://arxiv.org/abs/2502.00302v1
• Date: Sat, 01 Feb 2025 03:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:04:59.456396
• Title: Learning to Fuse Temporal Proximity Networks: A Case Study in Chimpanzee Social Interactions
• Title（参考訳）: 時間的親和性ネットワークを融合させる学習 : チンパンジーの社会的相互作用を事例として
• Authors: Yixuan He, Aaron Sandel, David Wipf, Mihai Cucuringu, John Mitani, Gesine Reinert,
• Abstract要約: 我々はネットワーク表現を使い、チンパンジー間の社会的相互作用のためのデータを組み合わせる作業に繋がる。 これらの近接型重みを原理的に最適化し、時間の経過とともに構造的整合性に報いる革新的な損失関数を用いる。 チンパンジーのデータセットにアプローチを適用することで、動物ソーシャルネットワークの時系列における傾きを検出する。
• 参考スコア（独自算出の注目度）: 17.132878658882124
• License:
• Abstract: How can we identify groups of primate individuals which could be conjectured to drive social structure? To address this question, one of us has collected a time series of data for social interactions between chimpanzees. Here we use a network representation, leading to the task of combining these data into a time series of a single weighted network per time stamp, where different proximities should be given different weights reflecting their relative importance. We optimize these proximity-type weights in a principled way, using an innovative loss function which rewards structural consistency across time. The approach is empirically validated by carefully designed synthetic data. Using statistical tests, we provide a way of identifying groups of individuals that stay related for a significant length of time. Applying the approach to the chimpanzee data set, we detect cliques in the animal social network time series, which can be validated by real-world intuition from prior research and qualitative observations by chimpanzee experts.
• Abstract（参考訳）: 社会構造を推察できる霊長類の集団をどうやって特定できるのか? この問題に対処するため、私たちはチンパンジー間の社会的相互作用に関する時系列データを収集しました。 ここでは、ネットワーク表現を使用し、これらのデータをタイムスタンプ毎に1つの重み付きネットワークの時系列にまとめる作業に導いた。 これらの近接型重みを原理的に最適化し、時間の経過とともに構造的整合性に報いる革新的な損失関数を用いる。 この手法は、慎重に設計された合成データによって実証的に検証される。 統計的検査を用いて、かなりの期間関係のある個人を識別する方法を提供する。 チンパンジーのデータセットにアプローチを適用することで,チンパンジーの専門家による先行研究や定性的な観察から現実の直感によって検証できる,動物のソーシャルネットワーク時系列の傾きを検出する。

関連論文リスト

• Quantifying Human Priors over Social and Navigation Networks [2.1756081703276]
  我々は、グラフの構造を活用して、そのような関係データに対する人間の優先順位を定量化する。 我々の実験は、進化の時間スケールにおいて、社会的相互作用と空間ナビゲーションという2つの領域に焦点をあてた。
  論文  参考訳（メタデータ） (2024-02-28T19:00:36Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• ChimpACT: A Longitudinal Dataset for Understanding Chimpanzee Behaviors [32.72634137202146]
  ChimpACTは、ドイツのライプツィヒ動物園に住む20以上のチンパンジーのビデオを特集している。 ChimpACTは、合計160,500フレームの163の動画で構成されており、包括的で難しい。
  論文  参考訳（メタデータ） (2023-10-25T08:11:02Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Predicting the long-term collective behaviour of fish pairs with deep learning [52.83927369492564]
  本研究では,魚種Hemigrammus rhodostomusの社会的相互作用を評価するための深層学習モデルを提案する。 我々は、ディープラーニングのアプローチの結果と実験結果と、最先端の分析モデルの結果を比較した。 機械学習モデルにより、ソーシャルインタラクションは、微妙な実験的観測可能な解析的相互作用と直接競合できることを実証する。
  論文  参考訳（メタデータ） (2023-02-14T05:25:03Z)
• Active Learning of Ordinal Embeddings: A User Study on Football Data [4.856635699699126]
  人間は本来、未知の類似性関数を使用してラベル付けされていないデータセットのインスタンス間の距離を計測する。 この研究はディープ・メトリック・ラーニングを使用して、大規模なフットボールの軌跡データセットのアノテーションからユーザ定義の類似性関数を学習する。
  論文  参考訳（メタデータ） (2022-07-26T07:55:23Z)
• Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
  乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。 これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。 本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
  論文  参考訳（メタデータ） (2021-12-13T17:11:32Z)
• A Machine Learning Approach to Predicting Continuous Tie Strengths [0.4014524824655105]
  人々の関係は常に進化し、対人行動を変え、社会集団を定義する。 ソーシャルネットワーク内のノード間の関係は、しばしば調査によって実証的に評価される結合力によって表される。 時間とともに進化する関係の連続的な近似を可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2021-01-23T05:01:05Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)
• Pay Attention to Evolution: Time Series Forecasting with Deep Graph-Evolution Learning [33.79957892029931]
  本研究は時系列予測のためのニューラルネットワークアーキテクチャを提案する。 Recurrent Graph Evolution Neural Network (ReGENN) と名付けた。 多数のアンサンブル法と古典統計法との比較を行った。
  論文  参考訳（メタデータ） (2020-08-28T20:10:07Z)
• 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)

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。