基于动物佩戴运动时间序列的半监督行为发现管线
机器学习
2026-02-04 v1 人工智能
摘要
从动物佩戴传感器学习行为分类谱系面临标签稀缺、类别高度不平衡以及行为可能缺失于注释集合中的挑战。我们研究了来自信鸫（gull）的短时多变量运动片段中的通用行为发现问题，其中每个样本是一个包含3轴IMU加速度（20 Hz）和GPS速度的序列，覆盖九个专家注释的行为类别。我们提出了一个半监督发现管线：(i)从标记子集中学习嵌入函数，(ii)对标记和未标记样本的嵌入进行标签引导聚类以形成候选行为组，(iii)通过包含度评分决定发现的组是否为真正新颖的行为。我们的关键贡献是一种基于KDE（核密度估计）和HDR（最高密度区域）的包含度评分，该评分衡量发现的聚类分布在已知类别分布中的包含程度或被包含程度；最佳匹配的包含度评分作为一种可解释的新颖性统计量。在实验中，当一个完整的行为被遮蔽于监督之外仅出现在未标记池中时，该方法会恢复出一个独特的聚类，而包含度评分通过低重叠度标记新颖性；而在负控制设置下（无新颖行为），结果表明重叠度始终较高。这些结果表明HDR基于的包含度提供了一种实用的、定量的测试方法，用于在标签有限且类别严重不平衡的生态学运动时间序列中进行通用类发现。
引用
@article{arxiv.2602.02618,
title = {A Semi-Supervised Pipeline for Generalized Behavior Discovery from Animal-Borne Motion Time Series},
author = {Fatemeh Karimi Nejadasl and Judy Shamoun-Baranes and Eldar Rakhimberdiev},
journal= {arXiv preprint arXiv:2602.02618},
year = {2026}
}