Vögel, Fledermäuse und darüber hinaus: Bewertung der Generalisierung in bioakustischen Modellen

Im Kontext des passiven akustischen Monitorings (PAM) werden bessere Modelle benötigt, um zuverlässig Erkenntnisse aus großen Mengen roher, nicht gekennzeichneter Daten zu gewinnen. Bioakustische Basismodelle, die generalistische, anpassbare Modelle darstellen und für eine Vielzahl von nachgelagerten Aufgaben verwendet werden können, sind eine effektive Möglichkeit, diesem Bedarf gerecht zu werden. Die Messung der Fähigkeiten solcher Modelle ist essentiell für deren Entwicklung, jedoch ist die Gestaltung robuster Evaluationsverfahren ein komplexer Prozess. In diesem Review diskutieren wir verschiedene Bereiche, die für die Bewertung bioakustischer Modelle relevant sind, wie z. B. die Erkennung von Schallereignissen, Metriken des maschinellen Lernens und Transferlernen (einschließlich Themen wie Few-Shot-Lernen und Domänengeneralisierung). Wir kontextualisieren diese Themen anhand der Besonderheiten bioakustischer Daten, die durch große Mengen an Rauschen, starke Klassenungleichgewichte und Verteilungsschwankungen (Unterschiede in den Daten zwischen Trainings- und Einsatzphasen) gekennzeichnet sind. Unsere Hoffnung ist, dass diese Erkenntnisse dazu beitragen, Evaluationsprotokolle zu entwerfen, die die Fähigkeit bioakustischer Modelle besser vorhersagen können, zuverlässig in einer Vielzahl von Umgebungen eingesetzt zu werden.