经过垃圾邮件过滤训练的人工智能实时破译 Hydra 的神经反应
- 研究人员使用机器学习算法（最初是为垃圾邮件过滤而开发的）来分析 Hydra 的行为。
- 它可以实时分析行为并显示 Hydra 的神经元如何响应不同的环境。
- 为此，他们对包含 Hydra 所有活动的视频应用了词袋分类模型。
几个世纪以来，我们一直在研究动物的行为。它涉及大量详细的观察和潜心的关注。但有一些有效的技术可以自动化识别和分类过程。
最近，哥伦比亚大学的科学家展示了如何使用垃圾邮件过滤算法来分析动物的行为。他们建立了一个自动行为分析管道，可以学习（从视频中）挑选出 Hydra 的完整行为指令。
水螅是一种具有再生能力的淡水生物——它们不会因年老而死亡。它们没有任何大脑，但数百个神经元沿着它们半透明的身体运行，协调多种行为。
它们的行为方式是可预测的，通过将它们的行为与神经元放电进行比较，科学家可以了解复杂动物的神经系统如何运作。
人工智能已被用来部分研究蠕虫如何爬行，一些苍蝇如何飞行，但这是研究人员第一次使用机器学习来描述动物的行为。
机器学习算法
该算法可以实时分析行为——它可以帮助研究人员观察 Hydra 是否可以学习任何东西，如果可以，它们的神经元如何反应。
2017年，研究人员发现了4种神经回路负责控制4种不同的弯曲和伸长行为。这有助于他们了解九头蛇的神经系统如何控制其行为。
现在他们更进一步：他们对九头蛇的一整套行为进行了分类。
该团队将著名的词袋模型应用于包含 Hydra 所有活动的视频。该模型简化了信息检索和自然语言处理中使用的表示。此外，研究人员还发现了无监督方法和无注释行为。
显示为绿色荧光指示剂的水螅神经元 |图片来源：哥伦比亚大学
参考：eLifeSciences | doi:10.7554/eLife.32605.001 |哥伦比亚大学
词袋模型将视频和图像视为视觉词的“袋子”，就像图片中的小块，或者从这些小块中提取的形状和视频特征。与其他方法相比，它对于方向、遮挡和视角变化等挑战更加稳健。
为了提高效率，研究人员将该模型与其他计算方法相结合，包括密集轨迹（编码形状和运动统计）、身体部位分割（描述空间信息）和Fisher向量（以统计方式表示视觉词）。
该算法循环播放几个小时的视频并检测重复的动作，就像它检查单词在文本正文中出现的次数来挑选主题并标记电子邮件一样。
图片来源：Yuste 实验室/哥伦比亚大学
该算法成功识别了之前报告的 10 种行为。事实上，它评估了其中 6 种对不同周围场景做出反应的行为。结果非常有趣，九头蛇的行为几乎没有改变。无论你开灯还是关灯，喂食或不喂食，它都会重复同样的事情好几次。
下一步是什么？
研究人员计划进行刺激实验，以观察九头蛇行为的任何变化。最终目标是揭开揭示 Hydra 神经网络如何产生行为的神经代码。未来，这项技术还可以融入其他已经进化了数千个世纪的生物体。
阅读：新的机器学习模型可以预防致命感染
从这项研究中学到的东西可能对其他工程部门有所帮助，这些部门涉及维持飞机和船舶等机器的精确控制和稳定性，以及在恶劣环境中航行。
工业技术