相关实验视频
Updated: May 23, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
评估生物多样性研究中的深度学习模型的方法可重复性
Waqas Ahmed1, Vamsi Krishna Kommineni1,2,3, Birgitta König-Ries1,2,4
1Heinz Nixdorf Chair of Distributed Information Systems, Friedrich-Schiller Universität Jena, Jena, Thuringia, Germany.
PeerJ. Computer science
|March 10, 2025
概括
人工智能 (AI) 的可复制性对于生物多样性研究至关重要. 这项研究发现,虽然数据集在一半的出版物中是共享的,但许多出版物缺乏关于深度学习方法和随机性的关键细节.
科学领域:
- 生态生态学 生态生态学
- 计算机科学 计算机科学
- 保护生物学 保护生物学
背景情况:
- 人工智能 (AI) 正通过先进的数据分析和监测来改变生物多样性研究.
- 可复制性对于人工智能驱动的生态发现的可信度和验证至关重要.
研究的目的:
- 在生物多样性研究中研究深度学习 (DL) 方法的可重复性.
- 开发和应用一种方法来评估DL技术在生态出版物中的可重复性.
主要方法:
- 在四个类别中定义了方法可重现性的十个变量:资源要求,方法信息,不受控制的随机性和统计考虑.
- 使用DL从100个生物多样性出版物中手动提取的可复制性变量可用性.
- 开发了一个分层系统,根据可变的可用性对可重复性水平进行分类.
主要成果:
- 在50%的分析出版物中共享数据集.
- 很大一部分出版物缺乏关于深度学习方法的全面细节,特别是关于随机性.
- 确定了缺少信息以确保可重现性的关键领域.
结论:
- 虽然人工智能为生物多样性研究提供了强大的工具,但目前的做法往往不足以提供足够的信息来实现完全的可复制性.
- 报告方法细节的改进,特别是关于随机性的改进,是提高生态中人工智能应用可靠性的必要.
- 标准化报告准则可以加强人工智能驱动的生物多样性保护工作的可信度和影响.
