ホーム/記事一覧AIの実話科学と発見
AIの実話

ライオンの声に「中間型」。機械学習で分類の難しさを測った

人間が分類したライオンの声の「中間型」。異なる条件で集めた録音を機械学習で評価すると、典型的な声と取り違える例が見つかった。

実際の調査個体の記録写真ではない、草原で口を開く雄ライオンのイメージイメージ画像(研究で録音した個体ではありません)

タンザニア南部の国立公園に、62日間、録音機が置かれた。ライオンの声を集め、その種類を機械学習で分類するためだ。研究者は録音を自ら聞いて型を分け、典型的なうなり声とは少し違う「中間型(intermediary roar)」も対象に加えた。AIが新しい声を自力で発見したのではない。人間が付けた分類を、機械はどこまで見分けられるのだろうか。

62日分の録音から

調査地はタンザニア南部、ニエレレ国立公園のマタンブウェ地区。2023年9月20日から11月20日までの62日間、自動録音機が動き続けた(原典2.1.2節)。

録音から声を拾う作業は、機械任せではない。研究チームは他の声と重ならない1頭分のうなり声の連なりだけを選び、人間が注釈を付けた。論文は、1頭の声と見なせることを確実にするためだと説明している。

こうして手作業で分類された発声は1416。内訳は、うめき197、典型的な「フルスロート(full-throated)」のうなり声211、中間型195、グラント(grunt)813だった(3.1節)。

一続きの声にも種類がある

うなり声は、一続きの発声の中で型が変わっていく。論文の図では、研究者が「中間型」と呼んだ声は、通常フルスロートの後、グラントの前に現れるという。著者らは、長さが短く最大周波数が低い点を手がかりに区別することを提案している。

分類に使われたのは、隠れマルコフモデル(HMM)とK-meansという二つの機械学習手法だった。HMMの評価では4種類の声を各195件、計780件使い、全体のF1スコアは70.0%。別のK-meansによる分類結果も論文で示されている。

タンザニアとジンバブエで違う結果

HMMでの中間型のF1スコアは62.8%で4種類のうち最も低く、グラントは81.3%と最も高かった。さらに研究チームは、ジンバブエのBubye Valleyで得た別の録音も使い、K-meansでの分類結果を比較した。中間型が典型的なフルスロートと誤分類された割合は、タンザニアのニエレレでは11.3%、Bubye Valleyでは33.3%だった。ただし二つの録音データは条件が異なり、この数字だけで地域差やモデルの優劣を決めることはできない。

ジンバブエのデータについて、著者らは人間による最初の分類が不確かだった可能性を挙げる。誤分類の原因まで確定したわけではない。

個体識別への応用

声の種類だけでなく、どのライオンが発した声かも調べた。ジンバブエの雄5頭の記録では、手動選択の155発声で個体識別のmacro F1が0.80、自動選択の179発声では0.87だった。ただし録音集合が異なるため、数字の差をそのまま手法の優劣とはいえない。

うなり声の各部分が特定の情報を伝えているかどうかは、まだ分からない。著者らも、その意味を調べるにはさらなる研究が必要だとしている。


原典

← 最新の記事に戻る