論文の概要: Representing short-term movement to reveal animal identity and learning progress

• arxiv url: http://arxiv.org/abs/2610.27140v1
• Date: Mon, 19 Oct 2026 18:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.457333
• Title: Representing short-term movement to reveal animal identity and learning progress
• Title（参考訳）: 動物のアイデンティティと学習の進歩を明らかにする短期運動の表現
• Abstract要約: 学習が時間とともにどのように進歩し、個人によって異なるかは、認知科学と行動科学における長年の疑問である。 本稿では,短期的な運動軌跡が学習の進展と個人のアイデンティティを明らかにすることができるか,と問う。 身元と学習に関連する行動特性は,近距離時間間隔で比較的安定している。
• 参考スコア（独自算出の注目度）: 24.008524413391516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How learning progresses over time and varies across individuals is a longstanding question in cognitive and behavioral science. However, a major challenge is identifying observable behavioral measures that faithfully capture learning progression. Existing approaches commonly rely on predefined behavioral features or task-level performance, while fine-scale posture and movement in freely behaving animals remain less explored. In this paper, we ask: can short-term movement trajectories reveal learning progress and individual identity? We introduce a self-supervised representation learning framework built on a simple hypothesis: behavioral characteristics associated with identity and learning remain relatively stable over nearby time intervals. Using temporal proximity as supervision, our framework learns compact representations directly from movement trajectories without manually defining behavioral states or kinematic features. Using behavior data from freely behaving rats, we show that the learned representations not only improve prediction of identity and learning-related readouts over existing methods, but also provide a tool for investigating broader scientific questions about when and how these signals appear in behavior. Specifically, trajectories as short as one second contain informative learning and identity signals. Egocentric pose dynamics are more predictive of identity, whereas allocentric motion is more predictive of learning-related variation, and both signals are strongest at decision junctions in the alternation cohort. We further use a representation-conditioned diffusion model to inspect movement patterns associated with identity and learning progress. Our findings establish short-term movement as an informative behavioral "fingerprint" for studying learning and individual differences. Our code is available at https://github.com/pizhn/TRAIL.
• Abstract（参考訳）: 学習が時間とともにどのように進歩し、個人によって異なるかは、認知科学と行動科学における長年の疑問である。 しかし、大きな課題は、学習の進歩を忠実にとらえる観察可能な行動尺度を特定することである。 既存のアプローチは、通常、事前に定義された行動特徴やタスクレベルのパフォーマンスに依存している。 本稿では,短期的な運動軌跡が学習の進展と個人のアイデンティティを明らかにすることができるか,と問う。 身元と学習に関連する行動特性は,近距離時間間隔で比較的安定している。 本研究では,動作状態や運動的特徴を手動で定義することなく,運動軌跡から直接コンパクトな表現を学習する。 自由行動ラットの行動データを用いて、学習された表現は、既存の方法よりもアイデンティティや学習関連の読み出しの予測を改善するだけでなく、これらの信号がいつどのように行動に現れるかというより広い科学的疑問を調査するためのツールも提供する。 具体的には、1秒の短い軌跡には、情報学習と識別信号が含まれている。 エゴセントリック・ポーズ・ダイナミクスはアイデンティティをより予測できる一方、アロセントリック・モーションは学習関連の変化をより予測し、両信号は交代コホートにおける決定接合において最強である。 さらに、表現条件付き拡散モデルを用いて、アイデンティティや学習の進行に伴う動きパターンを検査する。 本研究は,短期運動を学習と個人差を研究するための情報行動的「指紋」として確立した。 私たちのコードはhttps://github.com/pizhn/TRAIL.comで公開されています。

関連論文リスト

• The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs [60.15472325639723]
  人格特性は、人間の行動の予測因子として長い間研究されてきた。 近年のLarge Language Models (LLM) は, 人工システムに類似したパターンが出現する可能性を示唆している。
  論文  参考訳（メタデータ） (2025-09-03T21:27:10Z)
• Behavioral Exploration: Learning to Explore via In-Context Adaptation [53.92981562916783]
  我々は、過去の観察の文脈で条件付けられた専門家の行動を予測し、専門家の行動がこの文脈とどのように関係しているかを測定するために、長期コンテキスト生成モデルを訓練する。 これにより、モデルが専門家の振る舞いを模倣するだけでなく、過去の相互作用の歴史を文脈に反映することで、これまで選択されたものと異なる専門家の振る舞いを選択することができる。 本手法は実環境におけるロボット操作作業だけでなく,シミュレーションロコモーションと操作設定の両方において有効であることを示す。
  論文  参考訳（メタデータ） (2025-07-11T21:36:19Z)
• Do Mice Grok? Glimpses of Hidden Progress During Overtraining in Sensory Cortex [32.79706360108185]
  マウスにおけるこのような学習の証拠は, 動作がほぼ順調に保たれた後, タスクの継続訓練後に見つかる(オーバートレーニング)。 オーバートレーニングの開始時に誤って分類された例は,その間は行動が変化しなかったものの,後から即座に分類できることが実証された。 このモデルが,動物学習における逆転を過剰に学習する経験的パズルについて,どのように説明するかを示す。
  論文  参考訳（メタデータ） (2024-11-05T22:42:49Z)
• 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)
• Knowledge Accumulation in Continually Learned Representations and the Issue of Feature Forgetting [34.402943976801424]
  本研究では,知識蓄積と特徴忘れという,継続的に学習される表現の質に影響を及ぼす2つの現象の共存について検討する。 表現を忘れることが絶対的に小さいとしても、表現を忘れることは出力レベルで忘れることと同じくらい破滅的な傾向があることを示す。
  論文  参考訳（メタデータ） (2023-04-03T12:45:52Z)
• Learning signatures of decision making from many individuals playing the same game [54.33783158658077]
  我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。 我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-21T21:41:53Z)
• Stochastic Coherence Over Attention Trajectory For Continuous Learning In Video Streams [64.82800502603138]
  本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。 提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。 実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
  論文  参考訳（メタデータ） (2022-04-26T09:52:31Z)
• 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 Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
  本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。 シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。 修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T17:59:35Z)

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。