[論文レビュー] Deep Multi-Species Embedding

Di Chen, Yexiang Xue+3 more|arXiv (Cornell University)|Sep 28, 2016

Species Distribution and Climate Change参考文献 20被引用数 5

ひとこと要約

本稿では、複数の鳥類種と環境的共変量を統合的に、共有の高次元空間に埋め込むことで、種の共発生と種間相関をモデル化する、深層ニューラルネットワークフレームワーク「Deep Multi-Species Embedding（DMSE）」を提案する。深層特徴抽出から得た学習済み表現を活用することで、種数が増加するに従い、単一種モデルやマルチラベルベースラインと比較して顕著に優れた予測性能を示す。

ABSTRACT

Understanding how species are distributed across landscapes over time is a fundamental question in biodiversity research. Unfortunately, most species distribution models only target a single species at a time, despite strong ecological evidence that species are not independently distributed. We propose Deep Multi-Species Embedding (DMSE), which jointly embeds vectors corresponding to multiple species as well as vectors representing environmental covariates into a common high-dimensional feature space via a deep neural network. Applied to bird observational data from the citizen science project extit{eBird}, we demonstrate how the DMSE model discovers inter-species relationships to outperform single-species distribution models (random forests and SVMs) as well as competing multi-label models. Additionally, we demonstrate the benefit of using a deep neural network to extract features within the embedding and show how they improve the predictive performance of species distribution modelling. An important domain contribution of the DMSE model is the ability to discover and describe species interactions while simultaneously learning the shared habitat preferences among species. As an additional contribution, we provide a graphical embedding of hundreds of bird species in the Northeast US.

研究の動機と目的

• 生態的相互作用や共発生パターンを無視する単一種の種分布モデルの限界を是正すること。
• 数百種の種をスケーラブルに共同でモデル化し、共通の環境的好みと種間相関関係を捉えるアプローチを開発すること。
• 環境的共変量からの深層ニューラルネットワークによる特徴抽出を統合することで、種分布モデルの予測性能を向上させること。
• 学習済みベクトル埋め込みを用いて、種の関係性や生息環境の好みを解釈可能な可視化で提示すること。
• 生態学者がこれまで定性的に記述していた種間相互作用を、データ駆動的かつスケーラブルに定量化すること。

提案手法

• 種の識別子と環境的共変量を、共有の高次元埋め込み空間にマップするための深層ニューラルネットワークを用いる。
• プロビットリンク関数を用いて種の存在/不在をモデル化し、検出確率は潜在変数が0を超える確率として定義する。
• 埋め込みベクトル間の内積を用いて、環境的好みの類似性や種の共発生相関といった意味的関係を捉える。
• eBirdの観察データを用いて、全種に共通のパラメータを持つエンドツーエンドの最尤推定でモデルを学習する。
• 環境的共変量からの階層的特徴を抽出するために、射影行列と深層非線形変換を統合する。
• 次元削減（例：t-SNE）を用いて埋め込みを可視化し、北東部アメリカの種の共発生パターンや生息環境の好みの空間的パターンを明らかにする。

実験結果

リサーチクエスチョン

• RQ1 共同埋め込みモデルは、環境的好みをモデル化しつつ、種間相関関係を効果的に捉えられるか？
• RQ2 環境的共変量からの特徴抽出に深層ニューラルネットワークを組み込むことで、線形または浅い手法と比較して、多種分布モデルの予測性能が向上するか？
• RQ3 種の相関関係をモデル化することは、特に種数が増加する際の予測精度にどのように影響するか？
• RQ4 学習済み埋め込みは、解釈可能な生態的関係や生息環境の好みをどの程度明らかにできるか？
• RQ5 本モデルは、かつて生態学者が定性的に記述していた種間相互作用を、定量的に測定できるか？

主な発見

• DMSEモデルは、単一種モデル（ランダムフォレストおよびSVM）と競合するマルチラベルモデルを著しく上回り、種数が増加するに従い性能向上が顕著になる。
• 深層ニューラルネットワークによる特徴抽出を組み込むことで、非深層ベースラインと比較してAUCスコアが著しく向上し、予測性能が顕著に向上することが示された。
• 多種DMSEは、すべてのテスト対象の種ペアにおいて、単一種DMSEよりも優れた性能を示し、種間相関関係をモデル化することが極めて重要であることを裏付けた。
• 相関が高い種ペア（例：赤めだかバイツグミと東部フェービー、r = 0.607）は、強い共発生パターンを示し、それがモデルによって正確に捉えられ、定量化された。
• 種数の増加に伴い、図7に示すように、DMSEの性能ギャップが広がり、単一種DMSEおよびアンサンブル分類器チェーンを常に上回る。
• 北東部アメリカの数百種の鳥類のグラフィカルな埋め込みは、種の環境的好みや共発生パターンを解釈可能で直感的な形で可視化している。