論文の概要: Deep-learning-based pan-phenomic data reveals the explosive evolution of avian visual disparity

• arxiv url: http://arxiv.org/abs/2602.03824v1
• Date: Tue, 03 Feb 2026 18:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.641212
• Title: Deep-learning-based pan-phenomic data reveals the explosive evolution of avian visual disparity
• Title（参考訳）: 深層学習に基づくパンフェノミクスデータによる鳥の視差の爆発的進化
• Authors: Jiao Sun,
• Abstract要約: 本研究では、深層学習技術を用いて鳥類の形態進化を探索する。 高次元埋め込み空間は表現型収束を符号化することを示す。 また, 平坦なラベルで訓練されているにもかかわらず, 高次元埋め込み空間に階層的意味構造が出現することを示した。
• 参考スコア（独自算出の注目度）: 8.871465190908003
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The evolution of biological morphology is critical for understanding the diversity of the natural world, yet traditional analyses often involve subjective biases in the selection and coding of morphological traits. This study employs deep learning techniques, utilising a ResNet34 model capable of recognising over 10,000 bird species, to explore avian morphological evolution. We extract weights from the model's final fully connected (fc) layer and investigate the semantic alignment between the high-dimensional embedding space learned by the model and biological phenotypes. The results demonstrate that the high-dimensional embedding space encodes phenotypic convergence. Subsequently, we assess the morphological disparity among various taxa and evaluate the association between morphological disparity and species richness, demonstrating that species richness is the primary driver of morphospace expansion. Moreover, the disparity-through-time analysis reveals a visual "early burst" after the K-Pg extinction. While mainly aimed at evolutionary analysis, this study also provides insights into the interpretability of Deep Neural Networks. We demonstrate that hierarchical semantic structures (biological taxonomy) emerged in the high-dimensional embedding space despite being trained on flat labels. Furthermore, through adversarial examples, we provide evidence that our model in this task can overcome texture bias and learn holistic shape representations (body plans), challenging the prevailing view that CNNs rely primarily on local textures.
• Abstract（参考訳）: 生物形態学の進化は、自然界の多様性を理解するために重要であるが、伝統的な分析では、しばしば形態学的特性の選択と符号化に主観的バイアスが伴う。 本研究では,1万種以上の鳥類を認識できるResNet34モデルを用いて,鳥類の形態的進化を探索する。 モデルの最終完全連結層(fc)層から重みを抽出し、モデルによって学習された高次元埋め込み空間と生物学的表現型とのセマンティックアライメントについて検討する。 その結果、高次元埋め込み空間は表現型収束を符号化することを示した。 その後,様々な分類群間の形態的相違を評価し,形態的相違と種多様性の関係を評価し,種多様性が形態空間拡大の原動力であることを実証した。 さらに、相違スルー時間解析により、K-Pgの絶滅後の視覚的な「早期破裂」が明らかになった。 本研究は進化解析を主目的としながら,ディープニューラルネットワークの解釈可能性に関する知見も提供する。 本研究では, 平らなラベルで訓練されたにもかかわらず, 高次元埋め込み空間に階層的意味構造(生物分類学)が出現したことを示す。 さらに,本課題における我々のモデルがテクスチャバイアスを克服し,全体的形状表現(ボディプラン)を学習できることを示す上で,CNNが主に局所テクスチャに依存しているという一般的な見方に挑戦する。

関連論文リスト

• On the Approximation of Phylogenetic Distance Functions by Artificial Neural Networks [0.0]
  この研究では、古典的な系統的距離関数を近似できる最小限のニューラルネットワークアーキテクチャを記述する。 学習した距離関数はよく一般化され、適切なトレーニングデータセットが与えられると、最先端の推論手法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2025-12-01T21:42:01Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• Hierarchical Conditioning of Diffusion Models Using Tree-of-Life for Studying Species Evolution [19.899467048643363]
  階層型埋め込み(HIER-Embeds)で表される系統的知識を持つ拡散モデルを条件付けるフレームワークであるPhylo-Diffusionを紹介する。 また,Phylo-Diffusionの埋め込み空間を摂動する2つの新しい実験を提案する。 私たちの研究は、生成モデルを用いて画像から直接進化的変化を可視化することで、進化生物学の新しい章も開きます。
  論文  参考訳（メタデータ） (2024-07-31T21:06:14Z)
• Learning biologically relevant features in a pathology foundation model using sparse autoencoders [2.5919097694815365]
  我々は、病理予知基礎モデルの埋め込みについてスパースオートエンコーダを訓練した。 Sparse Autoencoderの機能は, 解釈可能な, 単意味的な生物学的概念を表す。
  論文  参考訳（メタデータ） (2024-07-15T15:03:01Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• A Neural Collapse Perspective on Feature Evolution in Graph Neural Networks [44.31777384413466]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの分類タスクでますます人気が高まっている。 本稿では,ノードワイズ分類に着目し,ニューラル崩壊現象のレンズによる特徴進化を考察する。 我々は、「最適」な数学的モデルでさえ、グラフが正確な崩壊を伴う最小値を持つためには厳密な構造条件に従う必要があることを示した。
  論文  参考訳（メタデータ） (2023-07-04T23:03:21Z)
• Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion Classification [4.414962444402826]
  人間の視覚系は、テクスチャよりも形状の認識に偏っていると一般的に信じられている。 本稿では,皮膚病変画像の分類における形状ビアーゼの重要性を再考する。
  論文  参考訳（メタデータ） (2022-06-13T20:59:06Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)

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。