[论文解读] 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 8

一句话总结

本文提出了一种新颖的框架，通过将基于理论的行为模型与神经网络相结合，增强了多动物轨迹中格兰杰因果推断的能力，实现了对诸如接近或分离等因果互动的可解释、时变检测。该方法在合成数据上表现优异，并在小鼠、果蝇、鸟类和蝙蝠的真实数据集中揭示了具有生物学意义的互动规则。

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.

研究动机与目标

• 解决标准格兰杰因果推断在建模复杂、结构化的多Agent生物行为方面的局限性。
• 将特定领域的行为理论整合到数据驱动模型中，以实现更可靠、可解释的因果推断。
• 开发一种能够检测动物互动中时变因果效应（如接近或分离）的方法。
• 在多样化的现实世界动物轨迹数据集上验证该框架，并提取新颖的生物学见解。
• 在最小先验假设下实现无监督的社会行为模式发现。

提出的方法

• 该框架通过神经网络增强不完整的时间变动态系统，分别建模导航和运动过程。
• 采用理论引导的正则化策略，嵌入关于特定刺激下预期行为反应的专家知识。
• 模型采用双架构设计，受既有的动物行为概念模型启发，将导航动力学与运动动力学分离。
• 通过多变量时间序列上的非线性自回归函数推断格兰杰因果关系，因果效应随时间追踪。
• 该方法通过损失函数端到端训练，以确保与理论行为期望的一致性。
• 该框架支持因果效应的可解释符号分析，可识别特定个体在何时何地触发接近或分离行为。

实验结果

研究问题

• RQ1 能否通过整合基于理论的行为结构来改进多动物轨迹中的格兰杰因果推断？
• RQ2 如何编码关于预期行为反应的领域知识，以防止数据驱动模型中的虚假因果推断？
• RQ3 所提出的方法能否在真实动物群体中检测到时变因果互动（如接近或分离）？
• RQ4 理论引导的正则化整合是否能带来更可解释且更符合生物学现实的因果关系？
• RQ5 该方法能否在无需预先标注的情况下，在多种动物物种中发现新颖的行为模式？

主要发现

• 在合成数据集上，所提方法在检测真实因果互动方面优于多个基线模型，表现出更高的鲁棒性和准确性。
• 在蝙蝠数据中，该方法成功识别出离开洞穴的蝙蝠对返回蝙蝠具有因果影响，与观察到的社会动态一致。
• 在小鼠实验中，该方法揭示出优势个体常触发从属个体的回避行为，与已知的等级制度相符。
• 在果蝇实验中，该方法检测到混合性别群体中吸引力和排斥力的持续时间显著长于纯雄性群体，证实了社会新异性增加的假设。
• 该方法估计的互动持续时间比GVAR更符合视觉检查结果，后者将互动时长高估了最多七分之一。
• 该框架成功将一个此前无法计算的概念性行为模型重新表述为数值上可处理且可定量评估的形式。