犬の就活メモ：AI面接、人間支援、アメリカ研究所が628頭のラブラドール犬のデータを活用し匂い探知犬の選抜効率を向上

内容の概要:犬は鋭い嗅覚を持っており、難しい仕事を遂行する上で効果的な助手です。しかし、使役犬の選定には厳しい審査と訓練が必要で、排除率は極めて高い。教師あり機械学習とタスクデータを使用すると、人間のパフォーマンスを予測することができますが、犬に関する同様の研究は見つかっていません。

キーワード:働く犬の監視下で機械学習を行うランダムフォレスト

著者｜ダザニー

編集者｜山陽

この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました。~

公園の緑地や街路の隅などで犬をよく見かけます。喜びや安らぎをもたらす人間の伴侶であるだけでなく、使役犬と呼ばれる、人間社会に奉仕する重要な仕事を黙々とこなす特別な犬もたくさんいます。

使役犬には憲兵犬、捜索救助犬、介助犬など多くの種類があり、それぞれのカテゴリーはさまざまな専門分野に分かれています。その中でも嗅覚探知犬の主な任務は、その超強力な嗅覚を利用して爆発物や麻薬などさまざまな特定の物質を探知することです。それ嗅覚は人間社会の安全を守る上で、かけがえのない役割を果たしています。

訓練を受けていない使役犬のほとんどは4万ドルから8万ドルで販売されており、訓練費用を考慮すると価格はその2倍になることもあります。しかし、使役犬の全体的な訓練成功率は 50% よりも低く、より効果的な選択と訓練方法の開発が急務となっています。

最近、ネーションワイド小児病院アビゲイル・ウェクスナー研究所のアレクサンダー・W・エアやロッキービスタ大学のイサイン・ザパタなどの研究者らは、米国運輸保安局の嗅覚検査チームの628頭のラブラドールレトリバーのデータを使用して、3つのモデルを比較した。狩猟犬が事前訓練から正式な訓練に進むかどうかを予測し、匂い探知犬の能力に影響を与える行動特性を特定しました。

この研究は、「犬の嗅覚検出プログラムにおける行動選択の機械学習予測と分類」というタイトルで科学誌「Scientific Reports」に掲載された。

研究結果は、《科学報告書》》

用紙のアドレス:

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

実験方法 

データ紹介: AT + Env が狩猟パフォーマンスを予測する 

この研究データは、米国運輸保安局（TSA）が2002年から2013年にかけて実施した匂い探知犬の繁殖・訓練プログラムから得られたものである。データセットには、連続 15 か月の里親養護期間中に 3 か月ごとに 2 回の検査を受けた 628 頭のラブラドールレトリバーのスコアが含まれています。

テスト 1:空港ターミナル（AT）試験。 ATテストは空の模擬空港ターミナルで行われ、職員が猟犬を誘導して模擬空港ターミナル内を案内し、ランダムに散らばった容器の中に香りのついたタオルを探したり、おもちゃと触れ合ったりした。このテストでは、香りのついたタオルの識別能力やスタッフ、タオル、おもちゃとの相互作用を測定することで、猟犬の訓練の可能性を実証しています。

テスト 2: 環境 (略して Env) テスト。基地周辺のさまざまな場所で実施されます。テストには、スタッフの指導の下で猟犬を動かしたり、捜索を試みたり、騒がしく混雑した環境でおもちゃやスタッフと対話したりすることが含まれていました。テスト場所には、混雑したギフト交換店 (BX)、騒がしく暗い密閉された木工所 (Woodshop)、交通量と騒音のある貨物エリア (空港貨物)、およびさまざまな空港ターミナル (空港ターミナル) が含まれます。 AT テスト中は他の人が猟犬の気を散らすことがないため、このテストは AT テストを補完します。

表 1: ハウンドの特性とスコアの説明

AT=空港ターミナル試験、E=環境試験、B=両方。

 

3 つの予測モデルと 2 つの特徴スクリーニング方法を使用する 

この研究では、3 つの異なる教師あり機械学習アルゴリズムを使用して、行動テストのパフォーマンスに基づいて事前訓練選択を通じて狩猟犬の成功率を予測しました。使用されるアルゴリズムには、ランダム フォレスト、サポート ベクター マシン、ロジスティック回帰が含まれます。

この調査では、主成分分析 (PCA) と相互検証による再帰的特徴除去 (RFECV) も使用されました。匂い探知犬の能力に影響を与える重要な行動特性を特定する。

その中で、PCA は最も重要な変数を特定することでデータの次元を削減する統計手法であり、RFECV は重要でない特徴を再帰的に削除して最も重要な特徴を除外する機械学習アルゴリズムです。

実験結果

Hound 合格率の予測: AT テスト結果の向上 

以下の図Aに示すように、ATテストでは、通常、モデルの予測能力は時間の経過とともに向上します。12 か月目のテスト データでは、ランダム フォレスト モデルのパフォーマンスが最も優れています。精度は 87% に達し、AUC (曲線下面積) は 0.68 です。ロジスティック回帰モデルのパフォーマンスはわずかに悪くなりますが、しかし、全体的には依然として良好なパフォーマンスを示しました。しかし、サポート ベクター マシン モデルの結果は比較的不安定です。これは主に、失敗した猟犬のリコールを予測する際のパフォーマンスが低いためです。

表2：3モデルAの性能

以下の図 B に示すように、Env テストでは、予測は理想的ではありませんでした。これは、Env テストに参加したハウンドの平均数が AT テストと比較して比較的少なかったという事実によるものと考えられます (56% 対 73%)。一般的に、ロジスティック回帰モデルの方が優れたパフォーマンスを示しました。サポート ベクター マシンは 4 つの時点で、失敗したハウンドの F1 が非常に低いと予測しました。

3 つのモデルはすべて、3 か月後に最も高い精度 (0.82 ～ 0.84) を示し、より高い F1 スコア (0.90 ～ 0.91) で通過猟犬を予測しました。ただし、3 か月後の失敗した猟犬の予測では、すべての結果が不十分でした (F1≤0.10)。

表2：3モデルBの性能

ロジスティック回帰: ロジスティック回帰

サポート ベクター マシン: サポート ベクター マシン

ランダムフォレスト: ランダムフォレスト

A：空港ターミナル試験、AT試験

B: 環境テスト、環境テスト

M03、M06、M09、M12 は、それぞれテスト時期が 3 か月目、6 か月目、9 か月目、12 か月目であることを示します。

図中、 / より前のデータは事前学習によりハウンドを選択した結果を示し、 / より後のデータは事前学習を行わずにハウンドを選択した結果を示します。

影響を与える特性: ポゼッション特性、自信、H2 がより大きな影響を与える 

研究者らは、主成分分析 (PCA) と相互検証による再帰的特徴除去 (RFECV) を使用して、さまざまな時点での予測にどの特徴が最も重要であるかを判断しました。以下の図は、AT テストと Env テストにおける PCA の結果を示しています。

図 1: 主成分分析結果

答え:  空港ターミナル試験、AT試験

b:  環境テスト、環境テスト

横軸の機能の略語は表 1 に対応します。

上図 a に示すように、AT テストでは、3 か月目と 6 か月目のテスト データでは、最も影響が大きい機能は H1/2 (Hidden 1/2) であることが示されていますが、9 か月目と 12 か月目では、月ごとのテスト データのうちテストデータでは、物理的ポゼッション (PP) が最も大きな影響を及ぼします。上の図 b は、Env テストにおいて、おもちゃの独立所有 (IP) がすべての時点で最大の影響を与えることを示しています。

再帰的特徴削除 (RFECV) は、特定の特徴変数を追加または削除して、モデルのパフォーマンスを最大化する変数の最適な組み合わせを取得する特徴選択手法です。この研究では、RFECV をランダム フォレストと組み合わせて使用しました。

表 3: 相互検証による再帰的特徴除去 (RFECV) の結果

答え:  空港ターミナル試験

b:  環境試験

数値は各特徴の出現率を 0 ～ 100 の範囲で表します。

機能の略語は表 1 に対応します。

上の図 A に示すように、空港ターミナルのテストでは、すべての占有特性 (MP、PP、IP) と H2 が最も重要です。

上の図 B は、環境テストでは、3 か月目と 6 か月目では Conf が最も重要であり (100% および 88.7%)、12 か月目では独立所有権 (IP) が最も重要であったことを示しています。月、フィジカル ポゼッション (PP) が最も重要です (80.7%)。

要約すると、研究結果は、H2、IP、Conf などの特定の特性がより大きな影響を与える可能性があることを示しています。しかし、データセットのサイズが小さく、特性の多様性が限られていたため、この研究では、事前トレーニングの選択に成功したレトリバーと、行動上の問題により失敗したレトリバーを識別する際にいくつかの問題が発生しました。これにもかかわらず、予測プロセスは、より多くの行動特性、医療情報、その他の種類の長期的データを導入することによってさらに強化および拡張されることが期待されます。

使役犬の研究を中心とした科学研究機関

この研究の著者であり、研究の著者でもあるエリザベス・ヘア氏は、ペン獣医師ワーキング・ドッグ・センターであり、ワーキング・ドッグの分野におけるパイオニアであり、最新の科学的発見と獣医学の専門知識の研究と応用を進め、犬のパフォーマンスを最適化することを目指している。匂いを感知する犬。9/11 同時多発テロの際の捜索救助犬の優れたパフォーマンスに触発されて、この組織は 2012 年 9 月 11 日に設立され、国立捜索救助犬研究開発センターとなりました。

機関の住所:

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

Penn Vet Working Dog Center は、作業効率を向上させるために、遺伝的、行動的、身体的健康データを収集および分析し、最新の科学研究と組み合わせることで、人間、動物、環境の健康と安全を守るために犬と協力することに尽力しています。そして働く犬の健康。その業務には、使役犬の育成と訓練のためのプログラムの開発と実施だけでなく、将来の課題にうまく対処するための研究結果のテストと普及も含まれます。

参考リンク:

[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