文献

J-GLOBAL ID：201802268796444737   整理番号：18A1005813

超機械学習:加速度測定による行動分類の精度の改善と分散の低減【JST・京大機械翻訳】

Super machine learning: improving accuracy and reducing variance of behaviour classification from accelerometry

著者 (7件)： Ladds Monique A. (Marine Predator Research Group, Department of Biological Sciences, Macquarie University, North Ryde, Australia) ,  Thompson Adam P. (TAL Life Limited, Melbourne, Australia) ,  Kadar Julianna-Piroska (Taronga Conservation Society Australia, Mosman, Australia) ,  Slip David (Marine Predator Research Group, Department of Biological Sciences, Macquarie University, North Ryde, Australia) ,  Slip David (Ecology of Fishes Lab, Department of Biological Sciences, Macquarie University, North Ryde, Australia) ,  Hocking David (School of Biological Sciences, Monash University, Melbourne, Australia) ,  Harcourt Robert (Marine Predator Research Group, Department of Biological Sciences, Macquarie University, North Ryde, Australia)
資料名： Animal Biotelemetry (Web)  (Animal Biotelemetry (Web))
巻： 5  号： 1  ページ： 8  発行年： 2017年 
JST資料番号： U7359A  ISSN： 2050-3385  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 【背景】加速度測定データの分析を自動化することは,大規模なデータセットを合成することを可能にする。しかしながら,加速度測定データから活動予算を構築するとき,データと結果を抽出,分析,報告する多くの方法がある。例えば,機械学習はデータを分類するためのロバストな手法である。著者らは,新しい方法,超学習を用いて,全体的に改善された精度を達成するために,ベース学習者(異なる機械学習法)を最適な方法で結合した。超学習の他のファセットは,訓練と試験のためにデータを分割するために使用されるエポック(サンプルウィンドウサイズ)の数とモデルを訓練するためのパラメータを予測するための行動カテゴリの数を含んでいる。【結果】超学習者は,比較モデルより高い精度とより低い分散によって正確に行動分類を分類した。試験した全てのモデルについて,4つの挙動を用いて,6と比較して,より高い精度を達成した。選択されたエポックの数は,より長いエポック(25および75)よりも良好に機能するより小さいエポック(7および13)の精度にも影響を与えた。結論:信頼できて有効な分類モデルを作成するためには,相関モデル選択,訓練および試験が不可欠である。そのために,モデルフィッティングは選択基準の広い配列を使用しなければならない。これらのモデルを含む多くのモデルを評価し,挙動の数を分類し,エポック長さを評価し,次にモデルを実行するためにパラメータ格子探索を用いた。試験したすべての基準がモデルの全体的精度に寄与することを見出した。より少ない挙動カテゴリーとより短いエポック長さは,試験したすべてのモデルの性能を改善した。超学習者は,試験した他のモデルよりも高い精度と低い分散を有する挙動を分類した。しかし,このモデルを用いるとき,ユーザは,実装に必要な追加の人間と計算時間を考慮する必要がある。機械学習は,加速度計から動物の行動を分類するための強力な方法である。本研究で評価したモデル化パラメータの注意と考慮は,このタイプの統計解析を用いるときに不可欠である。Copyright 2018 The Author(s). All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *機械学習 ,  CPU時間 ,  モデリング ,  選択基準 ,  ファセット ,  *学習 ,  統計解析 ,  自動化 ,  モデル ,  動物 ,  加速度計 ,  ロバスト性
準シソーラス用語： モデルあてはめ ,  モデル選択 ,  学習者 , 【Automatic Indexing@JST】

著者キーワード (6件)： 行動分類 ,  海洋哺乳類 ,  エトグラム ,  速度計 ,  機械学習 ,  スーパー学習者

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (36件)：

• Endanger Species Res; Prying into the intimate details of animal lives: use of a daily diary on animals; RP Wilson, E Shepard, N Liebsch; 4; 2008; 123-137; 10.3354/esr00064; CR1;
• Science; Aquatic animal telemetry: a panoramic window into the underwater world; NE Hussey, ST Kessel, K Aarestrup, SJ Cooke, PD Cowley, AT Fisk, RG Harcourt, KN Holland, SJ Iverson, JF Kocik; 348; 2015; 1255642; 10.1126/science.1255642; CR2;
• PLoS ONE; Can ethograms be automatically generated using body acceleration data from free-ranging birds?; KQ Sakamoto, K Sato, M Ishizuka, Y Watanuki, A Takahashi, F Daunt, S Wanless; 4; 2009; e5379; 10.1371/journal.pone.0005379; CR3;
• Anim Biotelem; Observing the unwatchable through acceleration logging of animal behavior; DD Brown, R Kays, M Wikelski, R Wilson, AP Klimley; 1; 2013; 20; 10.1186/2050-3385-1-20; CR4;
• J Exp Biol; Supervised accelerometry analysis can identify prey capture by penguins at sea; G Carroll, DJ Slip, I Jonsen, RG Harcourt; 217; 2014; 4295-4302; 10.1242/jeb.113076; CR5;

タイトルに関連する用語 (4件)： 機械学習 ,  加速度測定 ,  行動 ,  分類