[논문 리뷰] Learning interaction rules from multi-animal trajectories via augmented behavioral models

Keisuke Fujii, Naoya Takeishi외 11명|arXiv (Cornell University)|2021. 07. 12.

Animal Behavior and Reproduction인용 수 8

한 줄 요약

이 논문은 다수의 동물 궤적에서 그랜저 인과성 추론을 향상시키기 위해 이론 기반 행동 모델과 신경망을 통합하는 새로운 프레임워크를 제안한다. 이로 인해 접근 또는 분리와 같은 시간에 따라 변화하는 인과 상호작용을 해석 가능하게 탐지할 수 있다. 이 방법은 시뮬레이션 데이터에서 뛰어난 성능을 보이며, 쥐, 파리, 새, 고양이의 실제 데이터셋에서 생물학적으로 의미 있는 상호작용 규칙을 드러낸다.

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.

연구 동기 및 목표

• 표준 그랜저 인과성의 복잡하고 구조화된 생물학적 다중 에이전트 행동을 모델링하는 데서 발생하는 한계를 해결하기 위해.
• 분야 전문 지식 기반 행동 이론을 데이터 기반 모델에 통합하여 더 신뢰할 수 있고 해석 가능한 인과 추론을 가능하게 하기 위해.
• 동물 상호작용에서 접근 또는 분리와 같은 시간에 따라 변화하는 인과 효과를 탐지할 수 있는 방법을 개발하기 위해.
• 다양한 실제 동물 궤적 데이터셋에 프레임워크를 검증하고 새로운 생물학적 통찰을 도출하기 위해.
• 최소한의 사전 가정으로도 비지도 학습을 통해 사회적 행동 패턴을 탐지할 수 있도록 하기 위해.

제안 방법

• 이 프레임워크는 시간에 따라 변화하는 불완전한 동적 시스템에 신경망을 통합하여 별도로 항법 및 운동 과정을 모델링한다.
• 전문 지식을 통합한 이론 기반 정규화 전략을 사용하여 특정 자극에 대한 기대되는 행동 반응을 반영한다.
• 모델은 동물 행동의 기존 개념적 모델을 영감으로 삼은 이중 아키텍처 설계를 채택하여 항법 및 운동 역학을 분리한다.
• 다변량 시계열에 대한 비선형 자기회귀 함수를 통해 그랜저 인과성을 추론하며, 인과 효과는 시간에 따라 추적된다.
• 이론적 행동 기대에 부합하는 일관성을 강제하는 손실 함수를 사용해 엔드 투 엔드로 모델을 훈련시킨다.
• 해석 가능한 부호 분석을 지원하여 특정 에이전트가 언제 어떤 방식으로 접근 또는 분리를 유도하는지 식별할 수 있다.

실험 결과

연구 질문

• RQ1 이론 기반 행동 구조를 통합함으로써 다수의 동물 궤적에서 그랜저 인과성 추론을 향상시킬 수 있는가?
• RQ2 기대되는 행동 반응에 대한 도메인 지식을 어떻게 표현할 수 있을까? 이는 데이터 기반 모델에서 잘못된 인과 추론을 방지하기 위함이다.
• RQ3 제안된 방법은 실제 동물 군집에서 접근 또는 분리와 같은 시간에 따라 변화하는 인과 상호작용을 탐지할 수 있는가?
• RQ4 이론 기반 정규화의 통합이 더 해석 가능하고 생물학적으로 타당한 인과 관계를 도출하는 데 기여하는가?
• RQ5 이 방법은 레이블이 없는 상태에서도 다양한 동물 종에서 새로운 행동 패턴을 탐지할 수 있는가?

주요 결과

• 시뮬레이션 데이터셋에서 제안된 방법은 진정한 인과 상호작용 탐지에서 여러 베이스라인을 능가하며, 더 뛰어난 강건성과 정확도를 입증했다.
• 고양이 데이터에서는 나가려는 고양이들이 돌아오는 고양이들에게 인과적으로 영향을 미친다는 것을 성공적으로 식별했으며, 관찰된 사회적 역학과 일치했다.
• 쥐 실험에서는 지배적인 개체가 종종 지배받는 개체의 회피 행동을 유도한다는 것이 드러났으며, 알려진 지배 계층과 부합했다.
• 파리 실험에서는 혼성 그룹에서 남성 전용 그룹보다 훨씬 긴 유인 및 기피 기간이 관찰되었으며, 사회적 낯설음 증가의 가설을 확인했다.
• 이 방법은 GVAR보다도 시각적 검토와 더 일치하는 상호작용 지속 시간을 추정했으며, GVAR는 총 시간의 최대 1/7까지 상호작용을 과대평가했다.
• 이 프레임워크는 이전에는 계산이 불가능했던 개념적 행동 모델을 수치적으로 다룰 수 있고 정량적으로 평가할 수 있는 형태로 재구성했다.