卡内基梅隆大学、波恩大学医院和波恩大学的研究职员创建了一个名为 A-SOiD 的开源平台，可以仅从***中学习和预测用户定义的行为。
该研究结果现已揭橥在《自然方法》杂志上。
卡内基梅隆大学埃伯利家族生物科学副教授埃里克·伊特里（Eric Yttri）表示：“这项技能非常适宜学习各种动物和人类行为的分类。
这不仅适用于行为，而且适用于任何存在可识别模式的行为——股票市场、地震、蛋白质组学。
这是一个强大的模式识别机器。
”

与许多人工智能 (AI) 程序不同，A-SOiD 不是黑匣子。
相反，研究职员许可程序重新学习它做错了什么。

他们首先利用数据集的一小部分来演习程序，重点关注程序中较弱的信念。
如果程序不愿定，算法将强化演习数据的可信度。

最近攻读博士学位的 Alex Hsu 表示，由于 A-SOiD 被教导要关注算法的不愿定性，而不是对所有数据等量齐观。
卡内基梅隆大学的校友表示，它避免了其他人工智能模型中常见的偏见。

人工智能工具公道地对待数据集中的每个种别

“这是一种不同的输入数据办法，”Hsu 说。
“常日情形下，人们会利用他们正在探求的任何行为的全体数据集。
他们很少理解数据可能会不平衡，这意味着他们的凑集中可能存在代表性良好的行为，而在他们的凑集中可能存在代表性较差的行为然后，这种偏差可以从预测过程传播到实验结果。
我们的算法仅通过向较弱的学习来处理数据平衡。
我们的方法能够更好地公正地代表数据集中的每个类。

由于 A-SOiD 因此监督办法进行演习的，因此它可以非常精确。
如果给天命据集，它可以确定一个人的正常抖动与帕金森病患者的抖动之间的差异。
它还可以作为两年前发布的无监督行为分割平台 B-SOiD 的补充方法。

除了是一个有效的程序之外，A-SOiD 还易于访问，能够在普通打算机上运行，并且可以在 GitHub 上开源。

A-SOiD 可供科学界的每个人利用

波恩大学波恩大学医院的博士后研究员 Jens Tillmann 表示，向所有研究职员开放该项目的想法是其影响的一部分。

蒂尔曼说：“如果没有我们两个实验室以及全体神经行为学界近年来所表现出的开放科学思维，这个项目就不可能实现。
我很高兴成为这个社区的一员，并期待未来与该领域的其他专家开展互助项目。
”

Yttri 和波恩大学医院首席研究员、波恩大学跨学科研究领域 (TRA)“生命与康健”成员 Martin K. Schwarz 操持在自己的实验室中利用 A-SOiD 来进一步研究这种关系大脑和行为之间。

Yttri 操持将 A-SOiD 与其他工具结合利用来研究自发行为背后的神经机制。
Schwartz 将利用 A-SOiD 与其他行为模式相结合，对社交互动中的已知行为进行细粒度剖析。
Yttri 和 Schwarz 都表示，他们希望 A-SOiD 能够被跨学科和国家的其他研究职员利用。

“A-SOiD 是一项主要的发展，许可基于人工智能进入行为分类，因此是更好地理解大脑活动和行为之间因果关系的绝佳独特机会，”施瓦茨说。
“我们还希望 A-SOiD 的开拓能够有效触发即将开展的互助研究项目，重点关注欧洲乃至全体大泰西的行为研究。
”