Hunde-Stellensuche: KI-Interview, Menschliche Assistenz, US-Forschungsinstitut Nutzt Daten Von 628 Labradoren, Um Die Effizienz Der Auswahl Von Geruchsspürhunden Zu Verbessern

Inhalte im Überblick:Hunde haben einen ausgeprägten Geruchssinn und sind große Helfer bei der Erledigung schwieriger Aufgaben. Allerdings erfordert die Auswahl von Arbeitshunden eine strenge Prüfung und Ausbildung und die Ausscheidungsrate ist extrem hoch. Überwachtes maschinelles Lernen und Aufgabendaten können zur Vorhersage der Arbeitsleistung von Menschen verwendet werden. Für Hunde liegen jedoch keine vergleichbaren Studien vor.

Schlüsselwörter:Arbeitshunde Überwachtes maschinelles Lernen Random Forests

Autor: daserney

Herausgeber｜Sanyang

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~

Hunde sieht man oft in den Grünflächen von Parks und an den Ecken von Straßen und Gassen. Er ist nicht nur ein menschlicher Begleiter, der Freude und Trost spendet,Es gibt auch viele besondere Hunde, die im Stillen wichtige Arbeit leisten und der menschlichen Gesellschaft dienen. Sie werden Arbeitshunde genannt.

Es gibt viele Arten von Arbeitshunden, darunter Militär- und Polizeihunde, Such- und Rettungshunde sowie Diensthunde, und jede Kategorie ist in viele verschiedene Berufsfelder unterteilt. Die Hauptaufgabe von Geruchsspürhunden besteht darin, mit ihrem ausgeprägten Geruchssinn verschiedene spezifische Substanzen wie Sprengstoffe, Drogen usw. aufzuspüren.DasDer Geruchssinn spielt eine unersetzliche Rolle beim Schutz der Sicherheit der menschlichen Gesellschaft.

Die meisten untrainierten Arbeitshunde kosten zwischen 40.000 und 80.000 US-Dollar, und dieser Preis kann sich verdoppeln, wenn die Trainingskosten berücksichtigt werden. Jedoch,Die allgemeine Erfolgsquote beim Training von Arbeitshunden liegt unter 50% und es besteht dringender Bedarf an der Entwicklung effektiverer Auswahl- und Trainingsmethoden.

Kürzlich verglichen Forscher, darunter Alexander W. Eyre vom Abigail Wexner Research Institute am Nationwide Children's Hospital und Isain Zapata von der Rocky Vista University, drei Modelle anhand von Daten von 628 Labrador Retrievern des Geruchserkennungsteams der Transportation Security Administration.Es sagt voraus, ob ein Jagdhund das Vortraining bestehen und in die Phase des formellen Trainings eintreten kann, und deckt die Verhaltensmerkmale auf, die die Leistung von Spürhunden beeinflussen.

Die Forschungsergebnisse wurden in der Zeitschrift Scientific Reports unter dem Titel „Maschinelles Lernen zur Vorhersage und Klassifizierung der Verhaltensauswahl in einem Geruchserkennungsprogramm für Hunde“ veröffentlicht.

Die Forschungsergebnisse wurden veröffentlicht inWissenschaftliche Berichte》

Papieradresse:

https://www.nature.com/articles/s41598-023-39112-7#Sec8

Experimentelle Methoden 

Dateneinführung: AT + Env sagt die Leistung des Jagdhundes voraus 

Die Studiendaten stammen aus einem Zucht- und Trainingsprogramm für Spürhunde, das von der Transportation Security Administration (TSA) zwischen 2002 und 2013 durchgeführt wurde.Der Datensatz enthält Ergebnisse von 628 Labrador Retrievern, die während eines 15-monatigen Pflegezeitraums alle drei Monate zweimal getestet wurden.

Test 1:Tests am Flughafenterminal (AT). Der AT-Test wurde in einem leeren nachgebildeten Flughafenterminal durchgeführt, wo Mitarbeiter die Hunde durch das simulierte Flughafenterminal führten, wo sie in zufällig verstreuten Behältern nach duftenden Handtüchern suchten und mit Spielzeugen interagierten. Dieser Test zeigt das Trainingspotenzial des Jagdhundes, indem er seine Leistung beim Identifizieren eines duftenden Handtuchs und seine Interaktion mit Personal, Handtüchern und Spielzeug misst.

Test 2: Umwelttest (Env), durchgeführt an verschiedenen Orten rund um die Basis.Bei dem Test müssen die Hunde unter Anleitung eines Mitarbeiters umherlaufen, eine Suche durchführen und in einer lauten und überfüllten Umgebung mit Spielzeug und Mitarbeitern interagieren. Zu den Testorten gehören ein geschäftiger Geschenketauschladen (BX), eine laute und dunkle Holzwerkstatt (Woodshop), ein Frachtbereich (Airport Cargo) mit fließendem Verkehr und Lärm sowie verschiedene Flughafenterminals (Airport Terminal). Dieser Test ergänzt den AT-Test, da beim AT-Test kein anderes Personal den Hund ablenkt.

Tabelle 1: Eigenschaften und Bewertungsbeschreibungen der Jagdhunde

AT = Flughafenterminaltest, E = Umwelttest, B = Beides.

 

Verwendung von 3 Vorhersagemodellen und zwei Feature-Screening-Methoden 

In der Studie wurden drei verschiedene überwachte Algorithmen für maschinelles Lernen verwendet, um die Erfolgsrate der Auswahl vor dem Training anhand der Leistung der Hunde in Verhaltenstests vorherzusagen.Zu den verwendeten Algorithmen gehören Random Forest, Support Vector Machine und logistische Regression.

In der Studie wurden außerdem Hauptkomponentenanalysen (PCA) und rekursive Merkmalseliminierungen mit Kreuzvalidierung (RFECV) verwendet.Ziel ist die Identifizierung wichtiger Verhaltensmerkmale, die die Leistung von Spürhunden beeinflussen.

Unter ihnen ist PCA eine statistische Technik, die die Dimensionalität von Daten durch Identifizierung der wichtigsten Variablen reduziert; RFECV ist ein Algorithmus für maschinelles Lernen, der unwichtige Merkmale rekursiv eliminiert, um die wichtigsten Merkmale herauszufiltern.

Experimentelle Ergebnisse

Vorhersage der Erfolgsquote bei Jagdhunden: AT-Testergebnisse sind besser 

Wie in Abbildung A unten gezeigt, im AT-TestDie Vorhersagekraft des Modells verbessert sich im Allgemeinen mit der Zeit.In den Testdaten des 12. Monats ist die Leistung des Random-Forest-Modells am herausragendsten.Die Genauigkeit erreichte 87% und die AUC (Fläche unter der Kurve) betrug 0,68.Das logistische Regressionsmodell schnitt etwas schlechter ab.Aber insgesamt hat es trotzdem gut abgeschnitten. Jedoch,Die Ergebnisse des Support Vector Machine-Modells sind relativ instabil.Dies liegt hauptsächlich an seiner schlechten Leistung bei der Vorhersage des Rückrufs, die der Hund nicht bestanden hat.

Tabelle 2: Leistung der drei Modelle - A

Wie in Abbildung B unten gezeigt, im Env-TestDie Vorhersageergebnisse sind nicht optimal.Dies kann daran liegen, dass im Vergleich zum AT-Test im Durchschnitt eine relativ geringe Anzahl von Hunden in den Env-Test einbezogen wurde (56% gegenüber 73%). Im Allgemeinen,Das logistische Regressionsmodell schnitt besser ab.Zu den vier Zeitpunkten war der F1-Wert der Support Vector Machine, die das Versagen des Hundes vorhersagte, extrem niedrig.

Alle drei Modelle hatten im dritten Monat die höchste Genauigkeit (0,82–0,84) und hohe F1-Werte (0,90–0,91) für Vorhersagen, die Hound übertrafen. Allerdings war ihre Leistung bei der Vorhersage gescheiterter Hunde im dritten Monat schlecht (F1 ≤ 0,10).

Tabelle 2: Leistung der drei Modelle - B

Logistische Regression:

Support Vector Machine:

Zufälliger Wald:

A: Flughafenterminaltest, AT-Test

B: Umgebungstest, Env-Test

M03, M06, M09 und M12 geben an, dass der Testzeitpunkt jeweils der 3., 6., 9. und 12. Monat ist.

In der Abbildung stellen die Daten vor / die Ergebnisse der Auswahl von Jagdhunden durch Vortraining dar und die Daten nach / stellen die Ergebnisse der Auswahl von Jagdhunden ohne Vortraining dar.

Einflussfaktoren: Besitzeigenschaften, Selbstvertrauen, H2 haben einen größeren Einfluss 

Die Forscher verwendeten Hauptkomponentenanalyse (PCA) und rekursive Merkmalseliminierung mit Kreuzvalidierung (RFECV), um zu bestimmen, welche Merkmale zu verschiedenen Zeitpunkten für die Vorhersage am wichtigsten waren.Die folgende Abbildung zeigt die Ergebnisse der PCA im AT-Test und im Env-Test.

Abbildung 1: Ergebnisse der Hauptkomponentenanalyse

A:  Flughafenterminaltests, AT-Tests

B:  Umgebungstest, Env-Test

Die Abkürzungen der Merkmale auf der horizontalen Achse entsprechen denen in Tabelle 1.

Wie in Abbildung a oben gezeigt, zeigen die Testdaten aus dem 3. und 6. Monat im AT-Test, dass das Merkmal mit der größten Auswirkung H1/2 (Hidden 1/2) ist, während in den Testdaten aus dem 9. und 12. Monat der physische Besitz (PP) die größte Auswirkung hat. Abbildung b oben zeigt, dass im Env-Test der unabhängige Besitz (IP) des Spielzeugs zu allen Zeitpunkten den größten Effekt hatte.

Die rekursive Merkmalseliminierung (RFECV) ist eine Merkmalsauswahltechnik, die durch Hinzufügen oder Entfernen bestimmter Merkmalsvariablen die optimale Kombination von Variablen erzielt, die die Modellleistung maximiert.In dieser Studie wurde RFECV in Kombination mit Random Forest verwendet.

Tabelle 3: Ergebnisse der rekursiven Merkmalseliminierung mit Kreuzvalidierung (RFECV)

A:  Tests am Flughafenterminal

B:  Umweltprüfungen

Die Werte stellen den Prozentsatz des Auftretens jedes Merkmals dar und reichen von 0 bis 100.

Die charakteristischen Abkürzungen entsprechen denen in Tabelle 1.

Wie in Abbildung A oben gezeigt, sind im Flughafenterminaltest alle Belegungsmerkmale (MP, PP, IP) und H2 am wichtigsten.

Abbildung B oben zeigt, dass im Umwelttest das Vertrauen (Confidence, Conf) nach 3 und 6 Monaten am wichtigsten ist (100% und 88,7%). unabhängiger Besitz (IP) ist mit 9 Monaten am wichtigsten (93,3%); und physischer Besitz (PP) ist mit 12 Monaten am wichtigsten (80,7%).

Zusammenfassend zeigen die Ergebnisse, dass einige Merkmale wie H2, IP und Conf möglicherweise einen größeren Einfluss haben.Aufgrund der geringen Größe des Datensatzes und der begrenzten Vielfalt an Merkmalen hatte die Studie jedoch immer noch einige Probleme damit, die Hunde zu identifizieren, die die Auswahl vor dem Training erfolgreich bestanden hatten, und diejenigen, die aufgrund von Verhaltensproblemen durchfielen. trotz dieses,Der Vorhersageprozess kann durch die Einbeziehung zusätzlicher Verhaltensmerkmale, medizinischer Informationen und anderer Arten von Längsschnittdaten weiter verbessert und erweitert werden.

Eine wissenschaftliche Forschungseinrichtung mit Schwerpunkt auf Arbeitshunden

Das Penn Vet Working Dog Center, wo die Studienautorin Elizabeth Hare arbeitet, ist ein Pionier auf dem Gebiet der Arbeitshunde und treibt die Forschung und Anwendung der neuesten wissenschaftlichen Erkenntnisse und des veterinärmedizinischen Fachwissens voran, um die Leistung von Spürhunden zu optimieren.Inspiriert von der herausragenden Leistung der Such- und Rettungshunde während der Anschläge vom 11. September wurde die Organisation am 11. September 2012 als National Search and Rescue Dog Research and Development Center gegründet.

Agenturadresse:

https://www.vet.upenn.edu/research/centers-laboratories/center/penn-vet-working-dog-center

Das Penn Vet Working Dog Center widmet sich der Arbeit mit Hunden zum Schutz der Gesundheit und Sicherheit von Menschen, Tieren und der Umwelt, indem es genetische, verhaltensbezogene und physische Gesundheitsdaten sammelt und analysiert und diese mit den neuesten wissenschaftlichen Erkenntnissen kombiniert, um die Arbeitseffizienz und das Wohlbefinden von Arbeitshunden zu verbessern.Zu seinen Aufgaben gehört nicht nur die Entwicklung und Umsetzung von Trainings- und Entwicklungsprogrammen für Arbeitshunde, sondern auch die Erprobung und Verbreitung von Forschungsergebnissen, um zukünftigen Herausforderungen besser begegnen zu können.

Referenzlinks:

[1]https://zhuanlan.zhihu.com/p/384069169

[2]https://blog.csdn.net/qq_35218635/article/details/110001554

[3]https://zhuanlan.zhihu.com/p/626862784

[4]https://zhuanlan.zhihu.com/p/359006952