新模型可实现零样本动物社交身份识别

1月12日，记者从中国科学院深圳先进技术研究院获悉，该院脑认知与脑疾病研究所研究员蔚鹏飞及其团队将AI技术运用到动物身份识别和神经科学研究中，提出一种研究社交行为的小样本学习计算框架模型。该模型可解决精确检测动物社交行为中的多个难点，有望创新社交行为神经环路机制的研究范式。相关研究成果发表在《自然·机器智能》上。

　　近年来，AI技术在传统行为学研究领域的应用日益广泛，DeepLabCut、SLEAP、MoSeq等AI动物行为追踪技术正成为神经科学家重要的研究工具。然而，上述技术在分析多个动物目标、动物自由社交行为时仍无法实现海量数据标注。此外，使用这些技术也会出现连续追踪的动物目标身份识别精度低等问题。

　　基于此，研究团队提出了双向迁移学习计算框架模型。使用这种模型，科研人员无需提前标注动物身份数据，即可实现多动物社交身份识别。据了解，这种识别的准确率超过90%，可完全满足动物社交实验的精度需求。

　　“双向迁移学习计算机框架模型的设计思路受大脑工作机制的启发。在非社交场景中，区分每一只动物的身份非常简单。这些模型已经认识的动物身份信息，可以迁移到多动物社交的场景。”蔚鹏飞说，此模型解决了AI需要人工标注大量数据才能实现多动物身份识别的问题，实现了零样本多动物社交身份识别。

　　“多动物行为量化是解读动物社交行为的关键，在神经科学和生态学中有着广泛的应用意义。”《自然·机器智能》期刊高级编辑特伦顿·杰德对该研究评价道。“未来，AI赋能的神经科学研究将为实施更加精准、个体化的无创神经调控提供指导，有望帮助人类进一步理解复杂精神疾病。”蔚鹏飞说。