MARC

 008250123s2024        us                              c    eng  d
■001000017161340
■00520250211151342
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382787374
■035    ▼a(MiAaPQ)AAI31242323
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aBuchanan,  E.  Kelly.
■24510▼aBuilding  Reliable  Machine  Learning  Systems  for  Neuroscience
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a258  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Paninski,  Liam;Cunningham,  John  P.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aNeuroscience  as  a  field  is  collecting  more  data  than  at  any  other  time  in  history.  The  scale  of  this  data  allows  us  to  ask  fundamental  questions  about  the  mechanisms  of  brain  function,  the  basis  of  behavior,  and  the  development  of  disorders.  Our  ambitious  goals  as  well  as  the  abundance  of  data  being  recorded  call  for  reproducible,  reliable,  and  accessible  systems  to  push  the  field  forward.  While  we  have  made  great  strides  in  building  reproducible  and  accessible  machine  learning  (ML)  systems  for  neuroscience,  reliability  remains  a  major  issue.In  this  dissertation,  we  show  that  we  can  leverage  existing  data  and  domain  expert  knowledge  to  build  more  reliable  ML  systems  to  study  animal  behavior.  First,  we  consider  animal  pose  estimation,  a  crucial  component  in  many  scientific  investigations.  Typical  transfer  learning  ML  methods  for  behavioral  tracking  treat  each  video  frame  and  object  to  be  tracked  independently.  We  improve  on  this  by  leveraging  the  rich  spatial  and  temporal  structures  pervasive  in  behavioral  videos.  Our  resulting  weakly  supervised  models  achieve  significantly  more  robust  tracking.  Our  tools  allow  us  to  achieve  improved  results  when  we  have  imperfect,  limited  data  while  requiring  users  to  label  fewer  training  frames  and  speeding  up  training.  We  can  more  accurately  process  raw  video  data  and  learn  interpretable  units  of  behavior.  In  turn,  these  improvements  enhance  performance  on  downstream  applications.Next,  we  consider  a  ubiquitous  approach  to  (attempt  to)  improve  the  reliability  of  ML  methods,  namely  combining  the  predictions  of  multiple  models,  also  known  as  deep  ensembling.  Ensembles  of  classical  ML  predictors,  such  as  random  forests,  improve  metrics  such  as  accuracy  by  well-understood  mechanisms  such  as  improving  diversity.  However,  in  the  case  of  deep  ensembles,  there  is  an  open  methodological  question  as  to  whether,  given  the  choice  between  a  deep  ensemble  and  a  single  neural  network  with  similar  accuracy,  one  model  is  truly  preferable  over  the  other.  Via  careful  experiments  across  a  range  of  benchmark  datasets  and  deep  learning  models,  we  demonstrate  limitations  to  the  purported  benefits  of  deep  ensembles.  Our  results  challenge  common  assumptions  regarding  the  effectiveness  of  deep  ensembles  and  the  "diversity"  principles  underpinning  their  success,  especially  with  regards  to  important  metrics  for  reliability,  such  as  out-of-distribution  (OOD)  performance  and  effective  robustness.  We  conduct  additional  studies  of  the  effects  of  using  deep  ensembles  when  certain  groups  in  the  dataset  are  underrepresented  (so-called  "long  tail"  data),  a  setting  whose  importance  in  neuroscience  applications  is  revealed  by  our  aforementioned  work.Altogether,  our  results  demonstrate  the  essential  importance  of  both  holistic  systems  work  and  fundamental  methodological  work  to  understand  the  best  ways  to  apply  the  benefits  of  modern  machine  learning  to  the  unique  challenges  of  neuroscience  data  analysis  pipelines.  To  conclude  the  dissertation,  we  outline  challenges  and  opportunities  in  building  next-generation  ML  systems.
■590    ▼aSchool  code:  0054.
■650  4▼aNeurosciences
■650  4▼aComputer  science
■653    ▼aAnimal  pose  estimation
■653    ▼aBehavioral  action  segmentation
■653    ▼aDeep  ensembles
■653    ▼aMachine  learning
■653    ▼aReliable  Deep  Learning
■690    ▼a0317
■690    ▼a0984
■690    ▼a0800
■71020▼aColumbia  University▼bNeurobiology  and  Behavior.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161340▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서