Incorporating sparse labels into hidden Markov models using weighted likelihoods improves accuracy and interpretability in biologging studies
利用加权似然将稀疏标签纳入隐马尔可夫模型：生物记录研究中的准确性与可解释性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦动物行为解码与隐马尔可夫模型，未提供与所列经济金融细分方向直接对应的充分依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用加权似然将稀疏标签纳入隐马尔可夫模型：生物记录研究中的准确性与可解释性
- 研究问题
- 当动物行为的直接观测标签十分稀少时，如何增强这些标签对隐马尔可夫模型估计及潜在行为序列解码的影响？
- 方法与思路
- 作者提出加权似然，提高带标签观测的相对权重，并构建两个隐马尔可夫模型分析加拿大近海虎鲸的觅食行为。
- 材料陈述的贡献
- 摘要称，交叉验证评价显示，加权方法较现有方法产生更准确、易理解的潜在行为解码，有助于利用稀疏标签。
- 阅读关注点
- 应核对标签权重的选择依据、交叉验证划分、标签观测机制，以及解码准确性与可解释性的具体评价标准。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明权重规则、改进幅度及跨场景适用条件。
原文摘要
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 two 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, we show that our weighted likelihood approach produces more accurate and understandable decoded latent processes compared to existing methods. Thus, our method effectively leverages sparse labels to enhance researchers' ability to accurately decode hidden processes across various fields.