要約
実際の動作は、多くの場合、複数のエージェント間の複雑な相互作用によって形成されます。
マルチエージェントの行動をスケーラブルに研究するために、教師なし学習と自己教師あり学習の進歩により、軌跡データからさまざまな異なる行動表現を学習できるようになりました。
現在まで、行動分析設定の幅広いセット全体で方法を定量的かつ体系的に比較できるようにするベンチマークの統一されたセットは存在しません。
私たちは、行動分析タスクの範囲をカバーする現実世界の行動神経科学実験からの大規模なマルチエージェント軌道データセットを導入することによってこれに対処することを目指しています。
私たちのデータセットは、さまざまな系統、相互作用の長さ、オプトジェネティック刺激などのさまざまな実験設定で、960万フレームのマウスデータと440万フレームのハエデータを含む一般的なモデル生物からの軌道データで構成されています。
フレームのサブセットも、エキスパートが注釈を付けた動作ラベルで構成されています。
データセットの改善は、複数の生物にまたがって機能する行動表現に対応しており、一般的な行動分析タスクの違いを捉えることができます。
要約(オリジナル)
Real-world behavior is often shaped by complex interactions between multiple agents. To scalably study multi-agent behavior, advances in unsupervised and self-supervised learning have enabled a variety of different behavioral representations to be learned from trajectory data. To date, there does not exist a unified set of benchmarks that can enable comparing methods quantitatively and systematically across a broad set of behavior analysis settings. We aim to address this by introducing a large-scale, multi-agent trajectory dataset from real-world behavioral neuroscience experiments that covers a range of behavior analysis tasks. Our dataset consists of trajectory data from common model organisms, with 9.6 million frames of mouse data and 4.4 million frames of fly data, in a variety of experimental settings, such as different strains, lengths of interaction, and optogenetic stimulation. A subset of the frames also consist of expert-annotated behavior labels. Improvements on our dataset corresponds to behavioral representations that work across multiple organisms and is able to capture differences for common behavior analysis tasks.
arxiv情報
著者 | Jennifer J. Sun,Andrew Ulmer,Dipam Chakraborty,Brian Geuther,Edward Hayes,Heng Jia,Vivek Kumar,Zachary Partridge,Alice Robie,Catherine E. Schretter,Chao Sun,Keith Sheppard,Param Uttarwar,Pietro Perona,Yisong Yue,Kristin Branson,Ann Kennedy |
発行日 | 2022-07-21 15:51:30+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google