【AI论文精粹】面向生物多样性的ML方法；具有连接拉普拉斯算子的层神经网络；稀疏高维线性回归模型选择的鲁棒信息准则；稀疏时空脑

稀疏高维线性回归模型选择的鲁棒信息准则；稀疏时空脑"/>

【AI论文精粹】面向生物多样性的ML方法；具有连接拉普拉斯算子的层神经网络；稀疏高维线性回归模型选择的鲁棒信息准则；稀疏时空脑

可解释的机器学习

中文标题：面向生物多样性的ML方法：一个新的野生蜜蜂数据集和用于ML辅助稀有物种注释的XAI方法的评估
英文标题：Towards ML Methods for Biodiversity: A Novel Wild Bee Dataset and Evaluations of XAI Methods for ML-Assisted Rare Species Annotations
时间：2022.6.15
作者：Teodor Chiaburu, Felix Biessmann, Frank Hausser
机构：柏林工程应用技术大学（Berlin University of Applied Sciences）
链接：.07497.pdf
简介：昆虫是我们生态系统的重要组成部分。可悲的是，在过去几十年里，他们的数量令人担忧地减少了。为了更好地了解这一过程并监测昆虫种群，深入学习可能会提供可行的解决方案。然而，鉴于昆虫分类学的广度和细粒度分析的典型障碍，例如组内变异性高而组间变异性低，昆虫分类仍然是一项具有挑战性的任务。基准数据集很少，这阻碍了更好AI模型的快速开发。然而，稀有物种训练数据的注释需要专家知识。可解释人工智能（XAI）可以帮助生物学家完成这些注释任务，但选择最佳的XAI方法很困难。我们对这些研究挑战的贡献有三个方面：1）从iNaturalist数据库中采集的野生蜜蜂的完整注释图像数据集，2）在野生蜜蜂数据集上训练的ResNet模型，其分类得分与在其他细粒度数据集上训练的类似最先进模型相当；3）研究XAI方法，以支持生物学家进行注释任务。