💻 computer science

BioAutoML-NAS: An End-to-End AutoML Framework for Multimodal Insect Classification via Neural Architecture Search on Large-Scale Biodiversity Data

BioAutoML-NAS es un novedoso marco de trabajo de AutoML de extremo a extremo que aprovecha la búsqueda de arquitectura neuronal y la fusión multimodal de imágenes y metadatos para lograr una precisión de vanguardia en la clasificación de insectos a gran escala, superando significativamente los métodos existentes de transferencia de aprendizaje, transformadores y AutoML en conjuntos de datos de biodiversidad como BIOSCAN-5M.

Autores originales: Arefin Ittesafun Abian, Debopom Sutradhar, Md Rafi Ur Rashid, Reem E. Mohamed, Md Rafiqul Islam, Asif Karim, Kheng Cher Yeo, Sami Azam

Publicado 2026-06-16

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Arefin Ittesafun Abian, Debopom Sutradhar, Md Rafi Ur Rashid, Reem E. Mohamed, Md Rafiqul Islam, Asif Karim, Kheng Cher Yeo, Sami Azam

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un maestro chef intentando identificar miles de tipos diferentes de insectos solo con mirar fotos de ellos y leer sus etiquetas de identificación. Este es un trabajo enorme para agricultores y científicos, porque saber exactamente qué bicho hay en un campo ayuda a proteger los cultivos y la naturaleza. Pero los insectos son complicados: hay demasiados, algunos se ven casi idénticos y los datos son desordenados (algunos bichos son súper comunes, mientras que otros son raros).

El artículo presenta una nueva "cocina inteligente" llamada BioAutoML-NAS. En lugar de que un chef humano intente adivinar la mejor receta, este sistema construye su propia receta perfecta desde cero. Así es como funciona, desglosado en conceptos simples:

1. La sopa de dos ingredientes (Datos multimodales)

La mayoría de los métodos antiguos intentaban identificar insectos usando solo una foto (como mirar la imagen de una fruta). Pero este nuevo sistema es más inteligente. Utiliza dos ingredientes:

Lo visual: La foto real del insecto.
Los metadatos: La "tarjeta de identificación" o notas biológicas adjuntas a la foto (como su nombre de familia, código de barras de ADN o clasificación científica).

Piensa en esto como identificar a una persona. Los métodos antiguos solo miraban una foto de su cara. Este nuevo método mira la cara y además lee su pasaporte y su árbol genealógico al mismo tiempo. Al combinar estos dos, el sistema obtiene una imagen mucho más clara de quién es el insecto.

2. El plano de diseño propio (Búsqueda de Arquitectura Neuronal)

Normalmente, cuando los científicos construyen un cerebro informático (una red neuronal) para reconocer cosas, tienen que diseñar el plano manualmente. Deciden cuántas capas apilar y qué tipo de filtros usar. Es como un arquitecto intentando diseñar un rascacielos a mano, adivinando qué vigas soportarán más peso.

BioAutoML-NAS hace esto de forma automática. Utiliza una técnica llamada Búsqueda de Arquitectura Neuronal (NAS).

Imagina una caja de herramientas gigante con 10 tipos diferentes de herramientas (como diferentes lentes, filtros o lupas).
El sistema construye una "celda" (un mini-cerebro) y prueba todas las combinaciones posibles de estas herramientas para ver cuál funciona mejor con las fotos de los insectos.
Apila estas celdas para construir la red completa.
La poda mágica: A medida que aprende, el sistema se da cuenta de que algunas herramientas son inútiles. Tiene una "operación cero" especial (un botón de "no hacer nada") que puede presionar para eliminar las conexiones débiles. Es como un escultor que va quitando el exceso de piedra hasta que queda la estatua perfecta. Esto hace que el modelo final sea rápido, ligero y eficiente.

3. El baile del entrenamiento (Optimización alternante)

Entrenar este sistema es como un baile entre dos compañeros:

El compañero de los pesos: Ajusta la "fuerza" de las conexiones (aprendiendo cómo se ve un insecto).
El compañero de la estructura: Ajusta el "plano" (decidiendo qué herramientas mantener o eliminar).

Se turnan. En un paso, el sistema aprende las características; en el siguiente, ajusta el diseño. Siguen cambiando de uno a otro hasta que encuentran el ritmo perfecto donde el diseño y el aprendizaje trabajan juntos perfectamente.

4. El resultado: Un nuevo campeón

Los investigadores probaron este sistema en un conjunto de datos masivo llamado BIOSCAN-5M, que contiene 5 millones de imágenes de insectos.

La puntuación: Obtuvo un 96.81% de precisión.
La comparación: Superó a los mejores métodos anteriores (que eran como intentar resolver un rompecabezas con un martillo) por un margen enorme: aproximadamente un 16% mejor que el aprendizaje profundo estándar, un 10% mejor que los modelos Transformer y un 8% mejor que otros métodos de AutoML.
La prueba: También lo probaron en un conjunto de datos diferente (Insects-1M) con más de un millón de imágenes, y aun así obtuvo una precisión superior al 93%, demostrando que no solo memoriza la primera prueba, sino que realmente aprende a identificar bichos.

Por qué esto es importante

El artículo afirma que este es el primer sistema en utilizar este enfoque específico de "autodesignio" en datos de insectos que incluyen tanto fotos como metadatos biológicos.

Para los agricultores: Significa una detección de plagas más precisa, lo que ayuda a una agricultura sostenible.
Para la ciencia: Ayuda a los científicos a rastrear la biodiversidad sin necesidad de clasificar manualmente millones de imágenes.

En resumen, BioAutoML-NAS es un robot chef que mejora por sí mismo, que lee tanto la foto como la tarjeta de la receta para identificar insectos de forma más rápida y precisa de lo que cualquier sistema diseñado por humanos ha logrado jamás. Construye su propio cerebro, corta las partes inútiles y hace el trabajo con una precisión increíble.

Resumen Técnico: BioAutoML-NAS

Planteamiento del Problema

La clasificación de insectos es crítica para la gestión agrícola y la investigación ecológica, pero enfrenta desafíos significativos debido a las complejas características morfológicas de los insectos, el severo desequilibrio de clases en conjuntos de datos a gran escala y las limitaciones de los enfoques convencionales de aprendizaje profundo. Los métodos existentes suelen depender de datos unimodales (por ejemplo, solo imágenes) o arquitecturas predefinidas (como CNN estándar, Transformers o modelos de transferencia fija) que no logran optimizar plenamente el rendimiento en datos de biodiversidad diversos y a gran escala. Además, muchos enfoques carecen de la flexibilidad para co-optimizar la estructura de la red y sus pesos, lo que resulta en modelos rígidos y de alto consumo de recursos que tienen dificultades con la generalización y el desequilibrio de clases sin depender de datos sintéticos o un extenso procesamiento manual posterior.

Metodología

Los autores proponen BioAutoML-NAS, un marco de trabajo de AutoML de extremo a extremo diseñado para la clasificación de insectos multimodal mediante la Búsqueda de Arquitectura Neuronal (NAS). El marco opera sobre los conjuntos de datos BIOSCAN-5M e Insects-1M, integrando tanto datos de imagen como metadatos biológicos (por ejemplo, códigos de barras de ADN, rangos taxonómicos).

Componentes Principales

Arquitectura Multimodal:
- Codificador de Imágenes: Utiliza un enfoque basado en NAS para descubrir automáticamente la arquitectura óptima. El espacio de búsqueda consiste en una celda estructurada que contiene dos nodos intermedios y diez operaciones primitivas heterogéneas, incluyendo convoluciones separables en profundidad (3×3, 5×5), convoluciones dilatadas, convoluciones 1×1, bloques Squeeze-and-Excitation (SE), pooling local (promedio/máximo), conexiones de salto (skip connections) y operaciones cero.
- Codificador de Metadatos: Un codificador dedicado transforma los descriptores biológicos discretos (códigos de barras de ADN, jerarquía taxonómica) en incrustaciones (embeddings) de características densas.
- Módulo de Fusión: Un módulo de fusión basado en concatenación integra las incrustaciones de imagen y las representaciones de metadatos en un espacio de características unificado. El modelo emplea codificadores específicos por modalidad que aprenden en un espacio latente compartido, permitiendo la interacción a través de representaciones alineadas en lugar de operaciones de fusión transmodales complejas.
Estrategia de Entrenamiento:
- Optimización Bi-nivel Alternante: El marco emplea una estrategia de NAS basada en gradientes donde los pesos de la red ( $w$ ) y los parámetros de la arquitectura ( $\theta$ ) se actualizan de forma alternante. En mini-batches pares, se actualizan los pesos mientras los parámetros de la arquitectura permanecen congelados; en mini-batches impares, ocurre lo opuesto. Esto mitiga la interferencia de gradientes y estabiliza el proceso de búsqueda.
- Dispersión (Sparsity) y Poda: La inclusión de "operaciones cero" actúa como un mecanismo de poda aprendible. Durante el entrenamiento, las conexiones menos importantes son suprimidas (los pesos se aproximan a cero), lo que resulta en arquitecturas dispersas y eficientes sin necesidad de poda manual.
- Manejo de Desequilibrio: El modelo aborda el desequilibrio de clases mediante suavizado de etiquetas (label smoothing, 0.1) y fusión multimodal regularizada por dropout, evitando la necesidad de re-muestreo o ponderación de clases.
Diseño del Espacio de Búsqueda:
- El espacio de búsqueda es específico para la tarea e informado biológicamente, diseñado para equilibrar la diversidad de representación y la eficiencia computacional. Permite la selección automática de operaciones para cada conexión dentro de la celda, permitiendo el descubrimiento de arquitecturas compactas y conscientes del contexto.

Contribuciones Clave

Primer Modelo BioAutoML Multimodal: Hasta donde los autores saben, este es el primer modelo BioAutoML entrenado con datos multimodales (imágenes y metadatos) específicamente para la clasificación de insectos, lo que representa un enfoque novedoso para la inferencia ecológica.
Marco Integrado: El modelo combina de manera única la fusión multimodal, la optimización bi-nivel alternante y la dispersión basada en operaciones cero para entregar arquitecturas de alto rendimiento con una complejidad reducida.
Robustez ante el Desequilibrio: El enfoque mitiga el desequilibrio de datos mediante técnicas de regularización específicas (suavizado de etiquetas, dropout) y optimización impulsada por NAS, asegurando un aprendizaje equilibrado sin recurrir al re-muestreo.
Evolución Dinámica de la Arquitectura: A diferencia de los diseños estáticos, el marco refina continuamente la estructura de la red durante el entrenamiento, permitiendo el aprendizaje de arquitecturas auto-optimizadas y basadas en datos.

Resultados Experimentales

El marco fue evaluado en el conjunto de datos BIOSCAN-5M (entrenamiento/validación/prueba) y en el conjunto Insects-1M (validación entre conjuntos de datos).

Rendimiento en BIOSCAN-5M:
- Exactitud (Accuracy): 96.81%
- Precisión (Precision): 97.46%
- Sensibilidad (Recall): 96.81%
- F1-Score: 97.05%
- Macro-F1: 80.29% (demostrando robustez en clases minoritarias).
Rendimiento en Insects-1M:
- Exactitud (Accuracy): 93.25%
- Precisión (Precision): 93.71%
- Sensibilidad (Recall): 92.74%
- F1-Score: 93.22%
Análisis Comparativo:
- BioAutoML-NAS superó a los modelos de transferencia de aprendizaje de última generación (SOTA) (por ejemplo, ResNet, DenseNet, EfficientNet) en aproximadamente un 16%.
- Superó a los modelos basados en Transformers SOTA (por ejemplo, ViT, Swin Transformer, BEIT) en aproximadamente un 10%.
- Excedió a los métodos existentes de AutoML y basados en NAS (por ejemplo, ENAS, NAO, AutoKeras) en aproximadamente un 8%.
- Superó significativamente a los Modelos de Lenguaje-Visión (VLM) como LLaVA y BioCLIP en configuraciones zero-shot.
Eficiencia: La arquitectura descubierta logró estos resultados con solo 2.95 GFLOPs, 40.06 MB de memoria y una latencia de inferencia de 7.42 ms, demostrando un equilibrio superior entre exactitud y costo computacional en comparación con otras estrategias de búsqueda (por ejemplo, Búsqueda por Refuerzo o Evolutiva).

Significado y Reivindicaciones

El artículo afirma que BioAutoML-NAS establece un nuevo estado del arte para la clasificación de insectos a gran escala en la investigación de la biodiversidad. Su importancia radica en:

Descubrimiento Automatizado: Ir más allá de los diseños fijos o genéricos para descubrir arquitecturas adaptadas específicamente a las complejidades de los datos biológicos.
Sinergia Multimodal: Demostrar que la integración de metadatos con imágenes mejora significativamente la confianza y la exactitud de la clasificación en comparación con los modelos de solo imagen (se observó una caída de ~10.87% cuando se eliminaron los metadatos).
Escalabilidad: Probar que la NAS basada en gradientes puede manejar eficazmente conjuntos de datos masivos y desequilibrados (millones de imágenes) sin depender de la aumentación de datos sintéticos o el procesamiento manual posterior.
Aplicación Práctica: El modelo proporciona una clasificación de insectos precisa y confiable que respalda la agricultura sostenible moderna y el monitoreo ecológico.

Los autores reconocen las limitaciones, señalando que extender el modelo a los niveles de género y especie es un desafío debido a la escasez de etiquetas en los conjuntos de datos actuales. Sugieren que el trabajo futuro debería centrarse en mejorar la robustez bajo condiciones de metadatos ruidosos o incompletos y explorar técnicas de aprendizaje semi-supervisado.