Behaviour Modelling of Social Animals via Causal Structure Discovery and Graph Neural Networks
利用因果结构发现与图神经网络建模社会性动物行为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：摘要明确结合时间序列建模与因果结构发现，应用对象为动物行为。
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
利用因果结构发现与图神经网络建模社会性动物行为
- 研究问题
- 如何利用社会性动物的时间序列构建可解释的行为模型，预测未来动作，并同时刻画个体和群体层面的行为分布？
- 方法与思路
- 作者结合因果结构发现与用于时间序列的图神经网络，在动物园狐獴群体上考察动作预测及个体、群体行为分布的建模能力。
- 材料陈述的贡献
- 摘要称该方法以更少参数达到或超过标准深度学习架构的表现，生成更逼真的数据并提高可解释性，但未列具体比较数值。
- 阅读关注点
- 应核对因果发现所需假设、图结构的学习与验证、预测和生成任务的评价指标，以及可解释性是否获得独立证据支持。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核验；摘要未说明混杂与干预验证，预测表现不能单独证明因果结构正确。
原文摘要
Better understanding the natural world is a crucial task with a wide range of applications. In environments with close proximity between humans and animals, such as zoos, it is essential to better understand the causes behind animal behaviour and what interventions are responsible for changes in their behaviours. This can help to predict unusual behaviours, mitigate detrimental effects and increase the well-being of animals. There has been work on modelling the dynamics behind swarms of birds and insects but the complex social behaviours of mammalian groups remain less explored. In this work, we propose a method to build behavioural models using causal structure discovery and graph neural networks for time series. We apply this method to a mob of meerkats in a zoo environment and study its ability to predict future actions and model the behaviour distribution at an individual-level and at a group level. We show that our method can match and outperform standard deep learning architectures and generate more realistic data, while using fewer parameters and providing increased interpretability.