Evan Sidrow, Nancy Heckman, Tess M McRae, Beth L Volpov, Andrew W Trites, Sarah M E Fortune, Marie Auger-Méthé · PLoS ONE · 2025

Incorporating sparse labels into hidden Markov models using weighted likelihoods improves accuracy and interpretability in biologging studies.

Resumo em português

Ecologistas frequentemente usam um modelo oculto de Markov para decodificar um processo latente, como uma sequência de comportamentos de um animal, a partir de uma série temporal observada em biologging. Tecnologias modernas, como gravadores de vídeo e drones, agora permitem que pesquisadores observem diretamente o comportamento de um animal. Usar essas observações como rótulos do processo latente pode melhorar a precisão do modelo oculto de Markov ao decodificar esse processo. Entretanto, muitos animais selvagens são observados com pouca frequência. Incluir esses rótulos raros frequentemente tem influência desprezível nas estimativas dos parâmetros, o que por sua vez não aprimora significativamente a precisão da decodificação do processo latente. Introduzimos uma abordagem de verossimilhança ponderada que aumenta a influência relativa das observações rotuladas. Usamos essa abordagem para desenvolver modelos ocultos de Markov para decodificar o comportamento alimentar de orcas (Orcinus orca) na costa da Colúmbia Britânica, Canadá. Usando métricas de avaliação com validação cruzada e um estudo detalhado de simulação, mostramos que nossa abordagem de verossimilhança ponderada produz processos latentes decodificados mais precisos e compreensíveis em comparação com modelos ocultos de Markov existentes e métodos de aprendizado de máquina de quadro único. Assim, nosso método aproveita efetivamente rótulos esparsos para aprimorar a capacidade dos pesquisadores de decodificar com precisão processos ocultos em diversos campos.

Resumo original em inglês

Ecologists often use a hidden Markov model to decode a latent process, such as a sequence of an animal's behaviours, from an observed biologging time series. Modern technological devices such as video recorders and drones now allow researchers to directly observe an animal's behaviour. Using these observations as labels of the latent process can improve a hidden Markov model's accuracy when decoding the latent process. However, many wild animals are observed infrequently. Including such rare labels often has a negligible influence on parameter estimates, which in turn does not meaningfully improve the accuracy of the decoded latent process. We introduce a weighted likelihood approach that increases the relative influence of labelled observations. We use this approach to develop hidden Markov models to decode the foraging behaviour of killer whales (Orcinus orca) off the coast of British Columbia, Canada. Using cross-validated evaluation metrics and a detailed simulation study, we show that our weighted likelihood approach produces more accurate and understandable decoded latent processes compared to existing hidden Markov models and single-frame machine learning methods. Thus, our method effectively leverages sparse labels to enhance researchers' ability to accurately decode hidden processes across various fields.

Espécies citadas

• Orcinus orca · orca
  ?

  Nomes populares variam entre regiões e uma mesma palavra pode designar espécies diferentes. Confira sempre o nome científico: Orcinus orca.