本报讯（记者刁雯蕙）中国科学院深圳先进技术研究院脑认知与脑疾病研究所、深圳理工大学（筹）蔚鹏飞研究员团队将人工智能技术应用到神经科学研究中，提出了一种研究社交行为的小样本学习计算框架模型（SBeA），实现了自由社交动物模型的无标签、高精度三维姿态估计、零样本身份识别和精细化社交行为分类，解决了精确检测动物社交行为的多个重要难点，有望创新社交行为神经环路机制的研究范式。1月8日，相关论文发表于《自然-机器智能》。

SBeA在自由社交动物的姿态估计、身份识别和行为分类的3个阶段，分别针对性地提出了小样本数据生成算法、零样本双向迁移学习方法和自然结构启发的无监督社交行为分解聚类策略，有效减少了每个阶段的数据标注量。

据介绍，该研究中姿态估计小样本数据生成算法和身份识别零样本双向迁移学习方法的设计均受到大脑工作机制的启发。研究人员提出的连续遮挡复制粘贴数据算法可以有效合成大量新数据，能够训练精度更高的模型，获得更加准确的3D社交姿态估计结果。SBeA的多动物社交身份识别通过共享不同网络的知识实现双向迁移学习，借助模型之间的“脑补”，消除了标注数据的过程，并实现了高精度的外表相似动物的身份识别，识别准确率超过90%。SBeA不需要提前定义社交行为类别，有利于发现新的、未定义的社交行为差异，能够鉴定三箱社交、分区域社交等经典社交实验范式难以获得的自由社交行为表型。

除小鼠外，SBeA也适用于计算鸟类和家犬精准的3D社交姿态、身份和精细社交模块，具有跨物种应用的潜力。“多动物行为量化是解读动物社交行为的关键，在神经科学和生态学中有着广泛的应用价值。”《自然-机器智能》期刊高级编辑Trenton Jerde评价说。