[論文レビュー] Machine Learning and Deep Learning -- A review for Ecologists

Maximilian Pichler, Florian Härtig|arXiv (Cornell University)|Apr 11, 2022

Data Analysis with R被引用数 22

ひとこと要約

MLとDLの包括的な概要、従来の統計学との違い、および生態学への応用（予測利用、推論、説明可能AIや因果AIのような新興傾向を含む）

ABSTRACT

1. The popularity of Machine learning (ML), Deep learning (DL), and Artificial intelligence (AI) has risen sharply in recent years. Despite this spike in popularity, the inner workings of ML and DL algorithms are often perceived as opaque, and their relationship to classical data analysis tools remains debated. 2. Although it is often assumed that ML and DL excel primarily at making predictions, ML and DL can also be used for analytical tasks traditionally addressed with statistical models. Moreover, most recent discussions and reviews on ML focus mainly on DL, missing out on synthesizing the wealth of ML algorithms with different advantages and general principles. 3. Here, we provide a comprehensive overview of the field of ML and DL, starting by summarizing its historical developments, existing algorithm families, differences to traditional statistical tools, and universal ML principles. We then discuss why and when ML and DL models excel at prediction tasks and where they could offer alternatives to traditional statistical methods for inference, highlighting current and emerging applications for ecological problems. Finally, we summarize emerging trends such as scientific and causal ML, explainable AI, and responsible AI that may significantly impact ecological data analysis in the future. 4. We conclude that ML and DL are powerful new tools for predictive modeling and data analysis. The superior performance of ML and DL algorithms compared to statistical models can be explained by their higher flexibility and automatic data-dependent complexity optimization. However, their use for causal inference is still disputed as the focus of ML and DL methods on predictions creates challenges for the interpretation of these models. Nevertheless, we expect ML and DL to become an indispensable tool in E&E, comparable to other traditional statistical tools.

研究の動機と目的

• 生態系研究におけるML、DL、AIの利用を推進し、それらの文化的・方法論的文脈を明確にする。
• DL中心の見解を超えたMLアルゴリズムファミリの全体像と普遍的原理を統合する。
• ML/DLが予測で優れる場面と、従来の統計的推論の代替を提供し得る場面を説明する。
• 現在および新興の生態学的応用と、生態データ分析に対する潜在的影響を強調する。
• 生態学のための科学的／因果ML、説明可能AI、責任あるAIなどの動向を論じる。

提案手法

• ML/DLにおける歴史的発展とアルゴリズムファミリを概観する。
• ML/DLと従来の統計手法を対比し、相違点と共通原理を概説する。
• ML/DLモデルが予測で有利となる場合と推論タスクの可能性について論じる。
• 生態学における新興の応用と今後の方向性を要約する。倫理と解釈可能性を含めて。

実験結果

リサーチクエスチョン

• RQ1 生態学に関連するMLとDLの歴史的発展と主要なアルゴリズムファミリは何か？
• RQ2 MLとDLは従来の統計ツールとどう異なり、方法間で普遍的な原理は何か？
• RQ3 生態学的問題の予測においてMLとDLが利点をもたらすのはいつで、推論の代替を提供するのはいつか？
• RQ4 将来の生態データ分析を形づくる可能性のある新興の生態学的応用とトレンド（例：説明可能AI、因果ML）とは何か？

主な発見

• MLとDLは生態学における予測モデル化とデータ分析の強力なツールである。
• 柔軟性とデータ依存の複雑さ最適化が、いくつかの統計モデルより優れた性能を説明できる。
• 因果推論の用途は解釈より予測を重視する点から議論が続く。
• 科学的／因果ML、説明可能AI、責任あるAIといった新興トレンドは、生態データ分析に影響を及ぼす可能性が高い。
• ML/DLは伝統的な統計学と並んで、生態学・進化生物学・環境生態学の不可欠なツールになると期待されている。