[論文レビュー] Learning interaction rules from multi-animal trajectories via augmented behavioral models

Keisuke Fujii, Naoya Takeishi+11 more|arXiv (Cornell University)|Jul 12, 2021

Animal Behavior and Reproduction被引用数 8

ひとこと要約

本論文は、理論に基づく行動モデルとニューラルネットワークを統合することで、マルチアーティファクトの軌道におけるグランジャ因果推定を向上させる新規フレームワークを提案する。これにより、アプローチや分離といった時間変動型の因果的相互作用を解釈可能に検出可能となる。本手法は合成データ上で優れた性能を示し、マウス、ハエ、バード、コウノトリの実データセットにおいて生物学的に意味のある相互作用ルールを明らかにした。

ABSTRACT

Extracting the interaction rules of biological agents from movement sequences pose challenges in various domains. Granger causality is a practical framework for analyzing the interactions from observed time-series data; however, this framework ignores the structures and assumptions of the generative process in animal behaviors, which may lead to interpretational problems and sometimes erroneous assessments of causality. In this paper, we propose a new framework for learning Granger causality from multi-animal trajectories via augmented theory-based behavioral models with interpretable data-driven models. We adopt an approach for augmenting incomplete multi-agent behavioral models described by time-varying dynamical systems with neural networks. For efficient and interpretable learning, our model leverages theory-based architectures separating navigation and motion processes, and the theory-guided regularization for reliable behavioral modeling. This can provide interpretable signs of Granger-causal effects over time, i.e., when specific others cause the approach or separation. In experiments using synthetic datasets, our method achieved better performance than various baselines. We then analyzed multi-animal datasets of mice, flies, birds, and bats, which verified our method and obtained novel biological insights.

研究の動機と目的

• 標準的なグランジャ因果推定が複雑で構造的な生物学的マルチエージェント行動をモデル化する際の限界を克服すること。
• ドメイン固有の行動理論をデータ駆動型モデルに統合し、より信頼性が高く解釈可能な因果推定を実現すること。
• アプローチや分離といった時間変動型の因果効果を動物相互作用で検出できる手法を開発すること。
• 多様な実世界の動物軌道データセットに対してフレームワークを検証し、新たな生物学的知見を抽出すること。
• 最小限の事前仮定で、教師なしに社会的行動パターンを発見できること。

提案手法

• フレームワークは、不完全な時間変動型動的システムにニューラルネットワークを統合し、ナビゲーションと運動プロセスを別々にモデル化する。
• 特定の刺激に対する期待される行動反応に関する専門知識を埋め込む理論誘導型正則化戦略を採用する。
• 動物行動の既存の概念的モデルを模倣した二重アーキテクチャ設計を採用し、ナビゲーションと運動ダイナミクスを分離する。
• グランジャ因果は、多次元時系列上での非線形自己回帰関数を介して推定され、因果効果が時間経過とともに追跡される。
• 理論的行動期待と整合性を保つように設計された損失関数を用いて、エンドツーエンドで学習される。
• 因果効果の解釈可能な符号分析をサポートし、特定のエージェントがいつ、どのようにアプローチや分離を引き起こしたかを特定可能となる。

実験結果

リサーチクエスチョン

• RQ1 理論的行動構造を統合することで、マルチアーティファクトの軌道におけるグランジャ因果推定を改善できるか？
• RQ2 期待される行動反応に関するドメイン知識をどのようにエンコードすれば、データ駆動型モデルにおける誤った因果推定を回避できるか？
• RQ3 提案手法は、実際の動物群において、アプローチや分離といった時間変動型因果相互作用を検出できるか？
• RQ4 理論誘導型正則化の統合により、より解釈可能で生物学的に妥当な因果関係が得られるか？
• RQ5 教師なしで、事前のラベルなしに、多様な動物種において新たな行動パターンを同定できるか？

主な発見

• 合成データセットでは、本手法は真の因果的相互作用の検出において、複数のベースラインを上回り、より高いロバスト性と正確性を示した。
• コウノトリのデータでは、洞窟から出るコウノトリが、戻ってくるコウノトリに因果的に影響を与えていることが明確に特定され、観察された社会的ダイナミクスと整合した。
• マウスのデータでは、支配的個体がしばしば下位個体に回避行動を引き起こしていることが判明し、既知の支配階層と一致した。
• ハエの実験では、メスを含む混合群では、メスのみの群よりも、引きつけと排斥の持続時間が著しく長く検出され、社会的新奇性の仮説を裏付けた。
• 本手法は、GVARと比較して、視覚的インスペクションとより整合性の高い相互作用持続時間を推定した。GVARは最大で全時間の1/7を過大評価していた。
• フレームワークは、かつて計算不能とされていた概念的行動モデルを、数値的に扱える形と定量的に評価可能な形に再定式化した。