Individuality in the hive: A Data-Driven Study of Individual and Collective Behavior

Abstract

This thesis investigates the complex behavior of individuals in a group and the emergence of collective behavior through their interactions, using automatic tracking technology and novel machine learning methods. It employs honey bee colonies as a model system to address two key questions: how collective behavior arises in the absence of central organization, and how individual behaviors relate to collective behavior.

The study of emergent behavior in social animals poses a significant challenge, as it is difficult to understand how individual behaviors give rise to collective patterns. Social insect societies have a long history as model organisms in understanding these patterns, and honey bee colonies, in particular, offer a unique opportunity for such research. However, the large number of individuals in a colony, along with their continuous actions and interactions, make it impractical for human observers to study the entire colony comprehensively.

Building upon recent advancements in computer science, specifically in computer vision and machine learning, this thesis introduces novel methods for tracking and identifying all individuals in a honey bee colony over an extended period. This system uses machine learning and tracking algorithms to identify individual bees, resulting in unique and extensive datasets of honey bee trajectories. This enables the observation of large numbers of bees and their interactions over extended periods, providing foundational data for analyzing how individual honey bee behaviors relate to colony-level phenomena.

The resulting datasets are then used to explore how individual honey bee behaviors relate to collective behavior. To that end, a novel descriptor, network age, based on the spectral decomposition of the social interaction network, is introduced. This descriptor accurately predicts task allocation, survival, activity patterns, and future behavior of individual bees. Detailed analysis of multiple cohorts of bees reveals distinct developmental pathways and critical life changes. The thesis also analyzes variation in individual behavior and task allocation over timescales from single days to entire lifetimes. It shows how some bees consistently exhibit different movement patterns and transition to different tasks at different ages. These analyses provide insights into how individual honey bee behaviors may contribute to colony function.

Finally, the thesis builds upon these methods and generalizes them by analyzing lifetime data from multiple colonies. To that end, a novel non-negative temporal matrix factorization model is introduced. This factorization identifies the functional roles of individuals in social groups over time, regardless of when or where they lived. The method provides a quantitative framework for understanding heterogeneity in the behaviors and roles of individuals in complex social systems across time and space.

In summary, this thesis makes several key contributions. First, it demonstrates that individual behaviors and interactions can be measured on an unprecedented scale using automatic tracking technology and machine learning methods. Second, the resulting data are used to develop models that investigate individual honey bees' behavior and social interactions in the context of the collective of the colony, showing that new technologies can advance our understanding of honey bees' social organization and other complex systems. By studying social animals at the individual level, we can better understand the mechanisms underlying collective behavior.

In dieser Dissertation wird das kollektive Verhalten von sozialen Tieren untersucht, wobei Honigbienenkolonien als Modellsystem dienen. Die Arbeit behandelt zwei grundsätzliche Fragestellungen: die Ursprünge des kollektiven Verhaltens in sozialen Tiergesellschaften und die Rolle individueller Verhaltensweisen in dem kollektiven Verhalten. Vier publizierte Arbeiten tragen zur Arbeit bei:

Die erste Arbeit stellt eine auf Machine Learning basierte Methode zur Verfolgung einzelner Honigbienen in einer Kolonie über ihre Lebenszeit vor. Dies ermöglicht die Analyse einer großen Anzahl von Individuen und ihrer Interaktionen und bildet die Grundlage für die nachfolgenden Arbeiten.

Die zweite Arbeit analysiert in das Verhältnis zwischen dem individuellem und kollektiven Verhalten in der Kolonie. Es führt eine Methode namens network ein, mit dem die Aufgabenzuteilung, Überleben und Aktivitätsmuster von Individuuen auf Grundlage ihres sozialen Netwzwerkes vorhergesagt werden kann. Die Ergebnisse zeigen, dass soziale Netzwerke innerhalb der Kolonie die individuelle Entwicklung und das Verhalten erheblich beeinflussen.

Die dritte Arbeit konzentriert sich auf die Verhaltensvariationen einzelner Honigbienen. Mittels quantitativer Analysen wird untersucht, wie individuelle Verhaltensweisen zur Gesamtfunktion der Kolonie beitragen. Die unterschiedlichen Verhaltensmuster von Bienen in innerhalb eins Tages und über ihr gesamtes Leben hinweg werden analysiert.

Die vierte Arbeit stellt eine neue Methode vor, die die Analyse von Daten über mehrere Kolonien über sehr lange Zeiträume ermöglicht. Die Methode ist ein temporales Matrixfaktorisierungsmodell, mit dem die funktionalen Rollen von Individuen in sozialen Gruppen zu identifiziert werden können. Dieser Ansatz ermöglicht die quantitative Analyse von Verhaltensweisen und Rollen von Individuen in komplexen sozialen Systemen über Zeit und Raum hinweg.

Zusammenfassend entwickelt die Arbeit neuartige Methoden zur Verfolgung, Analyse und zum Verständnis individueller und kollektiver Verhaltensweisen in Honigbienenkolonien. Diese Beiträge tragen nicht nur Erforschung des Verhaltens sozialer Insekten bei, sondern bieten auch eine Grundlage für zukünftige Forschungen zum Verständnis kollektiven Verhaltens in komplexen Systemen.