Данные пан-феномики на основе глубокого обучения раскрывают стремительную эволюцию визуального разнообразия у птиц
Изображение создано Gemini AI
Недавнее исследование применяет методы глубокого обучения, в частности модель ResNet34, для анализа эволюции морфологии птиц, распознавая более 10,000 видов. Результаты показывают, что высокоразмерное эмбеддинг-пространство модели захватывает фенотипическую конвергенцию и морфологическое разнообразие, связанные с богатством видов, подчеркивая, что именно это богатство является ключевым фактором расширения морфопространства. Паттерны, наблюдаемые после массового вымирания в конце мелового периода, демонстрируют "ранний всплеск" разнообразия. Примечательно, что исследование также акцентирует внимание на способности модели формировать иерархические структуры в контексте обучения с плоскими метками, ставя под сомнение предположения о зависимости сверточных нейронных сетей от местных текстур.
Глубокое обучение раскрывает эволюцию визуальной дисперсии птиц
Недавние исследования с использованием технологий глубокого обучения выявили значительные данные о эволюции морфологии птиц, раскрывая сложные взаимосвязи между морфологической дисперсией и богатством видов. Используя модель ResNet34, способную распознавать более 10,000 видов птиц, исследователи углубили понимание визуальной эволюции птиц.
Ключевые результаты исследования
- Морфологическая дисперсия среди различных таксонов птиц была оценена, выявив сильную связь с богатством видов.
- Богатство видов стало основным двигателем расширения морфопространства, влияя на разнообразие форм птиц.
- Анализ дисперсии во времени показал выраженный "ранний всплеск" визуального разнообразия после события массового вымирания в конце мелового периода и начале палеогена (К-Пг).
Модель продемонстрировала возникновение иерархических семантических структур, отражающих биологическую таксономию, что указывает на то, что модели глубокого обучения могут захватывать сложные взаимосвязи внутри биологических данных. Кроме того, исследование показало, что модель может эффективно учиться формам в целом, ставя под сомнение представление о том, что сверточные нейронные сети в основном полагаются на текстурные подсказки для классификации.
Связанные темы:
📰 Первоисточник: https://arxiv.org/abs/2602.03824v1
Все права и авторство принадлежат первоначальному издателю.