通过深度学习预测鱼对的长期集体行为

科学领域:

• 计算伦理学是指计算伦理学.
• 动物行为科学 动物行为科学
• 机器学习应用程序 机器学习应用程序

背景情况:

• 动物社会中的集体行为对于生存和繁殖至关重要.
• 分析模型传统上用于研究集体运动.
• 了解社会互动是预测群体动态的关键.

研究的目的:

• 引入和评估一种深度学习模型,用于评估鱼类 (Hemigrammus rhodostomus) 的社会相互作用.
• 将深度学习模型的性能与实验数据和最先进的分析模型进行比较.
• 开发一种系统的方法来验证使用时空可观测的集体运动模型.

主要方法:

• 开发一个深度学习模型来分析鱼类的社会互动.
• 深度学习模型输出与实验观察结果的比较.
• 与集体运动的领先分析模型进行基准测试.
• 利用个人和集体的时空可观测值进行模型验证.

主要成果:

• 深度学习模型在复制实验可观测的过程中表现出与分析模型相当的性能.
• 机器学习模型可以有效地捕捉集体行为的微妙,短期和长期动态.
• 深度学习方法显示了可扩展到更大群体的可扩展性,以及无需再培训才能适应其他鱼类的适应性.

结论:

• 深度学习为研究动物群体集体运动的分析模型提供了一种强大而互补的方法.
• 跨时间尺度的一致验证对于评估集体运动模型的可靠性至关重要.
• 拟议的深度学习框架为分析动物社会中复杂的社会相互作用提供了强大的工具.