論文の概要: Targeted Review for AI-Assisted Biodiversity Surveys: Active Continuous-Score Occupancy Modeling

• arxiv url: http://arxiv.org/abs/2609.25657v1
• Date: Tue, 22 Sep 2026 04:06:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.217607
• Title: Targeted Review for AI-Assisted Biodiversity Surveys: Active Continuous-Score Occupancy Modeling
• Title（参考訳）: AIによる生物多様性調査のためのターゲットレビュー:アクティブな連続スコア機能モデリング
• Abstract要約: 本稿では,ML予測を占有モデルに組み込む手法を提案し,専門家レビューのためのサンプルを戦略的に選択する。 本手法は, カメラトラップとバイオアコースティックデータセットの全体にわたって, 完全ヒトラベルデータから得られたものと類似した生態学的結論を復元する。 以上の結果から,MLを用いた科学的推論は,精度のみではなく,下流推論のための専門家の努力を最適化すべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 6.002339698452644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We increasingly use machine learning to label scientific datasets. The models we develop and deploy are improving all the time, but they are not and will likely never be perfect. Mistakes matter, as errors can propagate into our scientific understanding, particularly when systematically biased. Very reasonably, scientists thus review substantial proportions of ML-generated labels to verify or correct mistakes in pursuit of ensuring their scientific findings are not biased by ML. In this work, we focus on helping scientists optimally allocate this reviewing effort relative to their scientific goals. We focus on a specific class of scientists (ecologists) and a specific, widespread, and impactful modeling target (occupancy modeling, which estimates where species are likely to occur, conditioned on environmental factors). We introduce Active Continuous-Score Occupancy Modeling (ACORN), a method that incorporates ML predictions into occupancy models and strategically selects samples for expert review that are maximally informative for downstream ecological analysis. Across camera-trap and bioacoustic datasets, our method recovers ecological conclusions close to those obtained from fully human-labeled data, while requiring substantially fewer expert reviews than non-targeted review policies. Our results suggest that ML-assisted scientific workflows should optimize expert effort for downstream inference, rather than for classifier accuracy alone, especially when human review budget is limited. Our code is available at https://github.com/timmh/acorn
• Abstract（参考訳）: 機械学習を使って科学的データセットをラベル付けします。 私たちが開発し、デプロイするモデルは、常に改善されていますが、それらは不完全で、おそらく完璧ではないでしょう。 エラーは科学的理解に伝播し、特に体系的に偏りがある場合に問題となる。 そのため、科学者はMLが生成したラベルのかなりの割合をレビューし、科学的な発見がMLに偏っていないことを確かめる誤りを検証または修正する。 本研究は、科学者が科学的目標に対して、このレビューの取り組みを最適に割り当てるのを支援することに焦点を当てる。 我々は、特定の種類の科学者(生態学者)と、特定の、広く、そして影響力のあるモデリングターゲット(環境要因に条件づけられた種の発生確率を見積もる職業モデリング)に焦点を当てる。 本稿では,ML予測を占有モデルに組み込んだアクティブ連続スコア占領モデル(ACORN)を導入し,下流の生態解析において最大限に有用な専門家レビューのためのサンプルを戦略的に選択する手法を提案する。 本手法は, カメラトラップとバイオアコースティックデータセット全体にわたって, 完全に人間ラベル付きデータから得られたものと類似した生態学的結論を復元すると同時に, 非ターゲットレビューポリシーよりも専門家によるレビューを著しく少なくする。 この結果から,機械学習による科学的ワークフローは,特にヒトのレビュー予算が限られている場合に,分類器のみの精度ではなく,下流推論のための専門家の努力を最適化すべきであることが示唆された。 私たちのコードはhttps://github.com/timmh/acornで利用可能です。

関連論文リスト

• BoxingGym: Benchmarking Progress in Automated Experimental Design and Model Discovery [32.395366135636046]
  実験的な設計とモデル発見を評価するための10環境のベンチマークであるBoxingGymを紹介する。 予測情報ゲイン(EIG)は,実験が生成モデルのパラメータの不確実性をどの程度低減するかを測定する情報理論量である。 GPT-4oのような現在のLLMは、実験的な設計とモデル発見の両方に苦戦している。
  論文  参考訳（メタデータ） (2025-01-02T21:15:57Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Exploring the use of a Large Language Model for data extraction in systematic reviews: a rapid feasibility study [0.28318468414401093]
  本稿では,大規模言語モデル (LLM) である GPT-4 を用いて,体系的レビューにおけるデータ抽出(セミ)の実現可能性について述べる。 その結果,約80%の精度で,領域間での変動が認められた。
  論文  参考訳（メタデータ） (2024-05-23T11:24:23Z)
• Unraveling overoptimism and publication bias in ML-driven science [14.38643099447636]
  最近の研究では、機械学習モデルのパフォーマンスが過度に最適化されていることが示唆されている。 本稿では,パラメトリック学習曲線と前述のバイアスを統合することで,観測精度の新たなモデルを提案する。 神経学的条件の分類のメタ分析にモデルを適用し、各領域におけるMLに基づく予測の固有の限界を推定する。
  論文  参考訳（メタデータ） (2024-05-23T10:43:20Z)

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。