Deep learning for ethoacoustical mapping: Application to a single Cachalot long term recording on joint observatories in Vancouver Island
Notice bibliographique
Résumé
During February and March, 2018, a lone sperm whale known as Yukusam was recorded first by Orcalab in Johnstone Strait and subsequently on multiple hydrophones within the Salish Sea [1]. We learn and denoise these multichannel clicks trains with AutoEncoders Convolutional Neural Net (CNN). Then, we build a map of the echolocations to elucidate variations in the acoustic behavior of this unique animal over time, in different environments and distinct levels of boat noise. If CNN approximates an optimal kernel decomposition, it requires large amounts of data. Via spline functionals we offer analytics kernels with learnable coefficients do reduce it. We [1-3] identify the analytical mother wavelet to represent the input signal to directly learn the wavelet support from scratch by gradient descend on the parameters of cubic splines [2]. Supplemental material http://sabiod.org/yukusam [1] Balestriero, Roger, Glotin, Baraniuk, Semi-Supervised Learning via New Deep Network Inversion, arXiv preprint arXiv:1711.04313, 2017 [2] Balestriero, Cosentino, Glotin, Baraniuk, WaveletNet : Spline Filters for End-to-End Deep Learning, Int. Conf. on MachineLearning, ICML, Stockholm, http://sabiod.org/bib, 2018 [3] Spong P., Symonds H., et al., Joint Observatories Following a Single male Cachalot during 12 weeks—The Yukusam story, ASA 2018.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».