Hyperbolische Netzwerke verbessern die Klassifizierung biologischer Taxonomien

In der Biodiversitätsforschung wird die taxonomische Klassifizierung von biologischen Proben zu strukturierten Hierarchien organisiert. Dabei greifen Forscher auf verschiedene Datenquellen zurück – von Bildmaterial bis hin zu genetischen Sequenzen. Die Herausforderung besteht darin, diese multimodalen Informationen in einem einheitlichen, hierarchisch geeigneten Raum abzubilden.

Die neue Studie nutzt hyperbolische Netzwerke, um die Eingaben aus unterschiedlichen Modalitäten in einen gemeinsamen hyperbolischen Raum zu projizieren. Dabei kombiniert das Verfahren ein kontrastives Lernprinzip mit einer neu entwickelten, gestapelten Entailment‑basierten Zielfunktion. Diese Kombination soll die inhärente Hierarchie der Taxonomien besser einfangen als herkömmliche euklidische Embeddings.

Auf dem umfangreichen BIOSCAN‑1M‑Datensatz erzielen hyperbolische Embeddings eine Leistung, die mit den besten euklidischen Baselines vergleichbar ist. Besonders hervorzuheben ist die überlegene Genauigkeit bei der Klassifizierung von bislang unbekannten Arten anhand von DNA‑Barcodes. Trotz dieser Erfolge bleiben die feinkörnige Klassifizierung und die Generalisierung auf offene Welten noch schwierige Aufgaben. Das vorgestellte Framework bietet jedoch eine struktur‑bewusste Basis für zukünftige Anwendungen in der Artenentdeckung, ökologischen Überwachung und Naturschutz.