无共享数据的多分类生物声学分类器的生态约束任务算法

生物声学的训练数据分散在不同的分类群、地区和机构中。将一切集中起来通常是不可行的。我们证明，独立微调的 BEAT 编码器可以通过任务向量算法组成一个统一的 661 种分类器，而无需共享数据。我们发现生物声学任务向量接近正交（余弦 0.01-0.09）。它们的分离与频谱分布距离密切相关，该梯度与声学生态位假设一致。这种几何形状使简单平均成为最佳选择，而符号冲突方法则使精度降低一到六个百分点。组成还造成了不对称的差距：物种丰富的群体相对于联合训练失去了准确性，而代表性不足的类群获得了收益，这种重新分配对于公平的生物多样性监测很有用。我们验证所有分类对之间的线性模式连通性，演示到新区域的零样本转移，并将域否定识别为组合失败的边界条件。这些结果实现了生物声学的协作范例，其中机构仅共享任务向量来组装多分类单元，从而保护数据隐私。