无需共享数据的多类群生物声学分类器生态约束任务算术
声音
2026-05-06 v1 机器学习
摘要
生物声学训练数据分散于不同类群、地区和机构，将其集中通常不可行。我们证明，通过任务向量算术，无需共享数据即可将独立微调的 BEATs 编码器组合为统一的 661 物种分类器。我们发现生物声学任务向量近似正交（余弦值 0.01-0.09）。其分离程度与谱分布距离高度一致，这一梯度与声学生态位假说相符。该几何特性使得简单平均成为最优方法，而符号冲突方法会降低 1 至 6 个百分点的准确率。组合还产生了一种不对称差距：相对于联合训练，物种丰富的类群准确率下降，而代表性不足的类群准确率上升，这种重新分配有利于公平的生物多样性监测。我们验证了所有分类学对之间的线性模式连通性，展示了对新区域的零样本迁移，并确定了域否定作为组合失效的边界条件。这些结果促成了一种生物声学协作范式，各机构仅共享任务向量即可组装多类群分类器，从而保护数据隐私。
引用
@article{arxiv.2605.03914,
title = {Ecologically-Constrained Task Arithmetic for Multi-Taxa Bioacoustic Classifiers Without Shared Data},
author = {Ragib Amin Nihal and Benjamin Yen and Runwu Shi and Takeshi Ashizawa and Kazuhiro Nakadai},
journal= {arXiv preprint arXiv:2605.03914},
year = {2026}
}