MARC

 008260126s2025        us                              c    eng  d
■001000017359284
■00520260202105001
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290925998
■035    ▼a(MiAaPQ)AAI32165004
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aBlau,  Ari.
■24510▼aReducing  Label  Dependence  in  Animal  Behavior  Modeling:  Diverse  Supervision  Strategies  for  Improved  Generalization
■260    ▼a[Sl]▼bColumbia  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Paninski,  Liam.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2025.
■520    ▼aUnderstanding  and  modeling  animal  behavior  is  a  central  goal  in  behavioral  neuroscience  and  computational  ethology.  With  advances  in  imaging  and  tracking  technologies,  the  field  has  entered  a  new  era  of  high-dimensional  spatiotemporal  data.  However,  the  ability  to  provide  high-quality  labels  has  not-and  inherently  cannot-scale  at  the  same  pace.  This  growing  gap  underscores  the  need  for  diverse  forms  of  supervision  to  extract  meaningful  insights  from  increasingly  complex  behavioral  datasets.  This  dissertation  presents  a  series  of  computational  frameworks  for  representing  and  segmenting  animal  behavior,  progressing  from  pose  estimation  to  structured  temporal  modeling,  with  a  focus  on  leveraging  supervised,  semi-supervised,  and  unsupervised  methods. The  first  part  of  this  dissertation  focuses  on  semi-supervised  keypoint  estimation  in  multi-animal  settings.  In  Chapter  2,  we  introduce  SemiMultiPose,  a  semi-supervised  model  for  multi-animal  pose  estimation  that  combines  supervised  keypoint  annotations  with  unsupervised  losses  on  unlabeled  video  data.  By  leveraging  the  structure  inherent  in  pose-based  representations,  this  framework  extracts  meaningful  intermediate  features  from  raw  video,  even  in  the  absence  of  dense  labels.  This  approach  enables  reduced  supervision  requirements  and  improved  generalization  in  complex  behavioral  settings,  demonstrating  the  value  of  incorporating  unlabeled  frames  into  the  training  process.Chapter  3  presents  a  comparative  analysis  of  action  segmentation  frameworks  under  different  supervision  regimes.  Action  segmentation  involves  classifying  discrete  animal  behaviors  over  time  based  on  spatiotemporal  features  extracted  from  video.  We  evaluate  supervised,  unsupervised,  and  semi-supervised  methods  on  multiple  benchmark  datasets,  highlighting  their  trade-offs  in  performance,  data  efficiency,  and  interpretability.  This  study  underscores  the  importance  of  temporal  structure  and  representation  learning  in  developing  scalable,  accurate  models  of  behavior.The  third  part  of  the  dissertation,  presented  in  Chapter  4,  focuses  on  transformer-based  behavior  segmentation.  We  adapt  vision  transformers  (ViTs)  for  behavioral  video  analysis  by  first  extracting  unsupervised  frame-level  representations  from  raw  video  using  a  pretrained  ViT  backbone.  These  embeddings  are  then  used  as  inputs  for  action  segmentation  models,  leveraging  the  temporal  modeling  tools  developed  in  Chapter  3.  We  also  explore  combining  these  video-derived  features  with  structured  pose  representations  to  improve  segmentation  performance.  This  work,  part  of  a  collaborative  project,  demonstrates  the  effectiveness  of  ViT  backbones  in  segmenting  behavior  from  both  raw  video  and  pose  data.Chapter  5  turns  to  the  problem  of  encoding  behavior  into  neural  activity.  Building  on  the  representations  developed  in  earlier  chapters-continuous  kinematic  features  from  Chapter  2  and  discrete  behavioral  states  from  Chapter  3-we  examine  how  these  different  forms  of  behavioral  abstraction  are  reflected  in  neural  population  activity.  We  develop  and  evaluate  encoder  models  that  map  these  distinct  behavioral  representations  into  neural  space,  with  a  focus  on  how  the  structure  of  the  input-symbolic  versus  metric-shapes  the  geometry,  predictability,  and  biological  interpretability  of  the  resulting  neural  codes.Together,  these  chapters  address  the  central  challenge  of  extracting  meaningful  insights  from  large  volumes  of  high-dimensional  spatiotemporal  data.  By  developing  behavior  modeling  methods  under  varying  levels  of  supervision,  this  work  shows  how  structured  representations  can  emerge  even  when  labeled  data  are  limited.  Finally,  neural  encoding  models  provide  a  framework  for  probing  how  these  learned  representations-both  continuous  and  discrete-are  reflected  in  neural  activity,  offering  a  principled  lens  into  the  brain-behavior  relationship.
■590    ▼aSchool  code:  0054.
■650  4▼aStatistics
■650  4▼aNeurosciences
■650  4▼aBehavioral  sciences
■653    ▼aBehavioral  neuroscience
■653    ▼aComputer  vision
■653    ▼aMachine  learning
■653    ▼aSemi-supervised  learning
■653    ▼aAnimal  behavior
■690    ▼a0463
■690    ▼a0800
■690    ▼a0602
■690    ▼a0317
■71020▼aColumbia  University▼bStatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359284▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서