arXiv cs.AI· Ping Zhang, Quang-Huy Nguyen, Yingtie Lei, Sameera Shridhar, Zachary Leveroni, Ellie Quattrocchi, Jai Y Yu, Wei-Lun Chao·· 11 小时前AI 评分18
短期运动轨迹可揭示动物身份与学习进展：一种自监督表征学习框架
Representing short-term movement to reveal animal identity and learning progress
AI 导读
研究提出一种自监督表征学习框架，以时间邻近性作为监督信号，直接从自由活动大鼠的运动轨迹中学习紧凑表征，无需人工定义行为状态或运动学特征。仅 1 秒的轨迹即包含学习与身份信息：自我中心姿态动态更能预测身份，异中心运动更能预测学习相关变化，两者在交替任务队列的决策节点处信号最强。该框架在身份与学习相关指标的预测上优于现有方法，代码已开源。
正文 · AI 翻译
摘要：学习如何随时间推进以及在不同个体间存在差异，是认知与行为科学中长期存在的问题。然而，一个主要挑战在于识别能够忠实反映学习进程的可观测行为指标。现有方法通常依赖预定义的行为特征或任务层面的表现，而对自由活动动物的精细姿态与运动仍探索较少。本文提出：短期运动轨迹能否揭示学习进程与个体身份？我们引入一个自监督表示学习框架，其基于一个简单假设：与身份和学习相关的行为特征在邻近时间区间内保持相对稳定。以时间邻近性作为监督信号，我们的框架直接从运动轨迹中学习紧凑表示，无需人工定义行为状态或运动学特征。利用自由活动大鼠的行为数据，我们表明所学表示不仅比现有方法更好地预测身份和学习相关读数，还提供了一种工具，用于研究关于这些信号何时以及如何出现在行为中的更广泛科学问题。具体而言，短至一秒的轨迹就包含有信息量的学习和身份信号。自我中心姿态动态对身份更具预测性，而环境中心运动对学习相关变异更具预测性，且两种信号在交替队列的决策节点处最强。我们进一步使用以表示为条件的扩散模型来考察与身份和学习进程相关的运动模式。我们的发现确立了短期运动作为一种有信息量的行为“指纹”，可用于研究学习和个体差异。我们的代码可在 此 https URL 获取。
| 评论： | 前三位作者对本工作贡献相同 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；神经元与认知（q-bio.NC） |
| 引用为： | arXiv:2610.27140 [cs.LG] |
| （或 arXiv:2610.27140v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27140 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ping Zhang [查看邮箱]
[v1]
2026年10月19日星期一 18:35:06 UTC（12,797 KB）
来源：arXiv cs.AI · arxiv.org