論文の概要: A Semi-Supervised Pipeline for Generalized Behavior Discovery from Animal-Borne Motion Time Series
- arxiv url: http://arxiv.org/abs/2602.02618v1
- Date: Mon, 02 Feb 2026 12:57:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:14.984783
- Title: A Semi-Supervised Pipeline for Generalized Behavior Discovery from Animal-Borne Motion Time Series
- Title（参考訳）: 動物-骨運動時系列からの一般行動発見のための半監督パイプライン
- Authors: Fatemeh Karimi Nejadasl, Judy Shamoun-Baranes, Eldar Rakhimberdiev,
- Abstract要約: ガチョウの短い動きスニペットにおける一般化行動探索について検討した。
ラベル付きサブセットから埋め込み関数を学習する半教師付き探索パイプラインを提案する。
次にラベル付きサンプルとラベルなしサンプルの両方の埋め込みに対してラベル誘導クラスタリングを行い、候補行動群を形成する。
- 参考スコア（独自算出の注目度）: 2.638116313344784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning behavioral taxonomies from animal-borne sensors is challenging because labels are scarce, classes are highly imbalanced, and behaviors may be absent from the annotated set. We study generalized behavior discovery in short multivariate motion snippets from gulls, where each sample is a sequence with 3-axis IMU acceleration (20 Hz) and GPS speed, spanning nine expert-annotated behavior categories. We propose a semi-supervised discovery pipeline that (i) learns an embedding function from the labeled subset, (ii) performs label-guided clustering over embeddings of both labeled and unlabeled samples to form candidate behavior groups, and (iii) decides whether a discovered group is truly novel using a containment score. Our key contribution is a KDE + HDR (highest-density region) containment score that measures how much a discovered cluster distribution is contained within, or contains, each known-class distribution; the best-match containment score serves as an interpretable novelty statistic. In experiments where an entire behavior is withheld from supervision and appears only in the unlabeled pool, the method recovers a distinct cluster and the containment score flags novelty via low overlap, while a negative-control setting with no novel behavior yields consistently higher overlaps. These results suggest that HDR-based containment provides a practical, quantitative test for generalized class discovery in ecological motion time series under limited annotation and severe class imbalance.
- Abstract（参考訳）: 動物由来のセンサーから行動分類学を学ぶことは、ラベルが不足し、クラスが高度に不均衡であり、注釈付きセットから行動が欠落しているため困難である。
そこでは3軸のIMU加速度(20Hz)とGPS速度のシーケンスで,9つの専門家に注釈付き行動カテゴリにまたがる,多変量移動スニペットの一般化行動探索について検討した。
半教師付き探索パイプラインを提案する。
i)ラベル付きサブセットから埋め込み関数を学習する。
(II)ラベル付サンプルとラベル付サンプルの両方の埋め込みの上にラベル付きクラスタリングを行い、候補行動群を形成する。
三 発見集団が真に斬新であるか否かを、封じ込めスコアを用いて判定する。
我々の主要な貢献はKDE + HDR(Highest-density region)包含スコアであり、発見されたクラスタ分布が、各既知のクラス分布にどの程度含まれているか、あるいは包含されているかを測定する。
全動作が監督から守られず、ラベルのないプールにのみ現れる実験では、異なるクラスタを回復し、包含スコアフラグは低いオーバーラップにより新規であり、新規な振る舞いを持たない負の制御設定は一貫して高いオーバーラップをもたらす。
これらの結果は,HDRをベースとした封じ込めが,限定的なアノテーションと厳密なクラス不均衡の下での生態運動時系列における一般化クラス発見の実践的,定量的な検証をもたらすことを示唆している。
関連論文リスト
- Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。
本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
論文 参考訳（メタデータ） (2025-10-10T17:50:31Z) - Exploring the Tradeoff Between Diversity and Discrimination for Continuous Category Discovery [15.22499403972592]
連続圏探索 (Continuous category discovery, CCD) は、ラベルなしデータの連続到着において、新しいカテゴリを自動的に発見することを目的としている。
ほとんどのCCD法は、新しいクラス発見と分類の矛盾をうまく扱えない。
我々は独立性に基づく多様性と直交性に基づく差別(IDOD)を提案する。
提案手法は,細粒度データセットに挑戦する上で,最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2025-08-15T02:51:30Z) - Generalized Class Discovery in Instance Segmentation [7.400926717561454]
擬似ラベルに対するコントラスト学習とクラス信頼性基準のためのインスタンス単位温度割当(ITA)手法を提案する。
提案手法は,COCO$_half$ + LVIS と LVIS + Visual Genome の2つの設定で実験を行うことにより評価した。
論文 参考訳（メタデータ） (2025-02-12T06:26:05Z) - Probably Approximately Precision and Recall Learning [60.00180898830079]
機械学習における重要な課題は、一方的なフィードバックの頻度である。
本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。
我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
論文 参考訳（メタデータ） (2024-11-20T04:21:07Z) - Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label
Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。
本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-04T12:52:18Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - False membership rate control in mixture models [1.387448620257867]
クラスタリングタスクは、サンプルの要素を均質なグループに分割する。
教師付き設定では、このアプローチはよく知られており、禁忌オプションの分類として言及されている。
本稿では, 教師なし混合モデルフレームワークで再検討し, 偽会員率が予め定義された名目レベルを超えないことを保証する手法を開発することを目的とする。
論文 参考訳（メタデータ） (2022-03-04T22:37:59Z) - Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。
これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文 参考訳（メタデータ） (2021-06-20T17:34:55Z) - Dynamic Semantic Matching and Aggregation Network for Few-shot Intent
Detection [69.2370349274216]
利用可能な注釈付き発話が不足しているため、インテント検出は困難である。
セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。
本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
論文 参考訳（メタデータ） (2020-10-06T05:16:38Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳（メタデータ） (2020-04-14T06:18:50Z)
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。