弱监督奶牛场标签下基于协议引导的牛面部疼痛识别跨域迁移学习

畜牧动物福利模型通常在受控实验条件下开发，但其部署环境却跨越不同农场、品种、管理系统和认证制度，因此其可靠性仍存在不确定性。我们提出“协议驱动迁移评估”（Protocol-Driven Transfer Evaluation, PDTE）框架，将适配协议——包括标签映射、目标函数设计、域对齐、模型选择、校准以及阈值策略——视为实验变量，并通过带有不确定性量化的动物个体层面外部验证来评估迁移性能。我们将PDTE应用于一个牛福利任务：将术后肉牛的面部疼痛表征迁移到奶牛，并考察其中由品种、性别、生产系统、临床病因、记录环境和标签保真度变化所引起的分布偏移。基于作者采集的加拿大荷斯坦牛和泽西牛数据集，以及一个独立的8头奶牛测试队列，直接源域迁移表现较弱，序列AUC为0.418，个体奶牛层面AUC为0.400。PDTE识别出弱监督条件下的两种失效模式：其一为阈值塌缩，即适配过程收敛到单一预测类别；其二为校准诱导塌缩，即虽然评分排序得以保留，但决策行为却发生退化。在各类协议中，目标函数设计对性能起主导作用。类别平衡的焦点适配实现了稳定的运行表现（序列AUC为0.611；个体奶牛层面AUC为0.667），而仅使用目标域训练的模型在没有源域初始化的情况下也取得了可比性能（序列AUC为0.596；配对检验 p = 0.984），这表明在弱标签条件下，协议设计和工作点选择的影响大于预训练本身。动物个体层面的不确定性仍然相当显著，其自助法95%置信区间为0.20至1.00，超过了迁移效应本身。这些发现表明，迁移能力的局限不能仅凭源域性能来推断，而需要在畜牧人工智能中采用受协议控制且具备不确定性感知的评估方法。

弱奶牛场标签下用于牛面部疼痛识别的协议引导跨域迁移学习 | bioRxiv

跳转至主要内容

首页 关于 投稿

提醒 / RSS 搜索此关键词 高级搜索 最新结果

弱奶牛场标签下用于牛面部疼痛识别的协议引导跨域迁移学习

Shivam Patel， Suresh Neethirajan

doi： https://doi.org/10.64898/2026.06.18.733162

Shivam Patel 达尔豪斯大学

在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY-NC-ND 4.0 国际许可证提供。

返回顶部 上一页 下一页

发布于 2026 年 6 月 23 日。

下载 PDF 补充材料 电子邮件

感谢您有兴趣帮助传播 bioRxiv 的内容。

您的电子邮件 * 您的姓名 * 发送至 * 可在不同的行中输入多个地址，或用逗号分隔。

您将要通过电子邮件发送以下内容

弱奶牛场标签下用于牛面部疼痛识别的协议引导跨域迁移学习

邮件主题

（您的姓名）已从 bioRxiv 向您转发了一个页面

邮件正文

（您的姓名）认为您可能希望查看 bioRxiv 网站上的这个页面。

您的个人留言

验证码

此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。

分享

弱奶牛场标签下用于牛面部疼痛识别的协议引导跨域迁移学习

Shivam Patel， Suresh Neethirajan bioRxiv 2026.06.18.733162； doi： https://doi.org/10.64898/2026.06.18.733162

分享本文： 复制

引文工具

弱奶牛场标签下用于牛面部疼痛识别的协议引导跨域迁移学习

Shivam Patel， Suresh Neethirajan bioRxiv 2026.06.18.733162； doi： https://doi.org/10.64898/2026.06.18.733162

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.18.733162v1?rss=1

🏷️ 动物福利 牛面部疼痛识别 跨域迁移学习 弱监督学习 不确定性量化 协议驱动评估