Inferenza di reti di interazioni diadiche da dati sensoriali

Being able to observe how animals interact among themselves has always been a crucial requirement for behavioral scientists who study social species. Manually looking at them to see when interactions occur is extremely time-consuming, results in many missing observations and it becomes extremely difficult to do for a very extended period of time, moreover for animals who live in large territories and for animals who behave differently when nearby human beings. To overcome these problems, scientists are accustomed to use several different kinds of sensors which are usually attached to the target animals and record some kind of raw data which, once collected, is used to extract the behavior of their hosts. These sensors have to be as least invasive as possible for the animal to behave as if it wasn’t wearing them. This implies that sensors have to be light with respect to the animal, they must not emit a considerable amount of heat and the wavelength they use must not be perceptible by the animals near them. The most popular type of data extracted from sensors attached to animals is Global Positioning System (GPS) data. GPS data is very easy to extract and it can be used to efficiently track the positions of entire groups of animals. However, when we are interested in pairwise interactions between animals and not in their positions, GPS data is not very reliable either because of its accuracy and because of its reliability. In this work, we introduce synthesized sensor data based on a type of non-invasive short range proximity sensors in order to understand whether some animals interact among themselves at a given time. The data we consider has to be labeled, that is we are aware of most interactions that occur during the training phase. The sensors whose data we are interested in synthesizing can be used for animals that are capable of wearing them due to weight or size constraints and as long as the sensor range contains the interaction range of the animals we are interested in. The models we analyze in this work are of two types: those which don’t assume either equality of the individuals and independence among interactions, and those which assume both of them. We present a framework to synthesize proximity, location and speed data extracted from sensors with several different configurations and models to infer animal interactions. Finally, we evaluate the methodology we use by proposing a case study where we perform different analyses to understand when our models are fit for the inference task, what are the most critical parameters impacting their performances and when we should switch from a model with no assumption to one with the two previously mentioned.

Essere in grado di osservare come gli animali interagiscono tra di loro è sempre stato un requisito fondamentale per gli etologi. Guardarli manualmente per vedere quando si verificano interazioni richiede un notevole spreco di tempo, risultante peraltro in molte osservazioni mancate, e diventa estremamente difficile da fare per un periodo molto prolungato di tempo, in particolare per animali che vivono in ampi territori e per animali che si comportano in modo diverso con umani nelle vicinanze. Per superare questi problemi, gli scienziati sono abituati a utilizzare diversi tipi di sensori che sono solitamente collegati agli animali interessati per registrare qualche tipo di dati grezzo che, una volta raccolto, viene utilizzato per estrarre il comportamento dei loro ospiti. Questi sensori devono essere il meno invasivi possibile per indurre l’animale a comportarsi come se non li indossasse. Ciò implica che i sensori devono essere leggeri rispetto all’animale, non devono emettere una notevole quantità di calore e la lunghezza d’onda che usano non deve essere percepibile dagli animali vicino a loro. Il tipo più popolare di dati estratti da sensori collegati agli animali è GPS. I dati GPS sono molto facili da estrarre e possono essere utilizzati per monitorare efficacemente le posizioni di interi gruppi di animali. Tuttavia, quando siamo interessati a interazioni diadiche (a coppie) tra gli animali e non alle loro posizioni, i dati GPS non sono ideali sia a causa della loro precisione sia per la loro affidabilità. In questo lavoro, introduciamo dei dati sintetizzati basandoci su un tipo di sensori a corto raggio di prossimità non invasivi per capire se alcuni animali interagiscono tra loro in un dato momento. I dati che consideriamo devono essere etichettati, cioè siamo a conoscenza della maggior parte delle interazioni che si verificano durante la fase di addestramento dei nostri modelli. I sensori dei quali dati siamo interessati a sintetizzare possono essere utilizzati con animali che sono capaci di indossarli, condizionati dal volume e peso di entrambi e finché la portata dei sensori comprende la portata delle interazioni degli animali di cui siamo interessati. I modelli che analizziamo in questo lavoro sono di due tipi: quelli che non assumono né uguaglianza degli individui né indipendenza tra interazioni, e quelle che le assumono entrambe. Presentiamo un framework per sintetizzare dati di prossimità, posizione e velocità estratti da sensori con diverse configurazioni e modelli per dedurre le interazioni diadiche degli animali. Infine, valutiamo la metodologia che usiamo proponendo un caso di studio in cui eseguiamo diverse analisi per capire quando i nostri modelli sono idonei per il compito, quali sono i parametri più critici che incidono sulle loro prestazioni e quando dovremmo passare da un modello senza assunzioni ad uno con le due precedentemente accennate.