PulseAugur
中
实时 10:27:50
English(EN) Masked Autoencoders Learn Perception-Relevant Representations from Resting State Neural Data

掩码自编码器从无标签数据中学习感知相关的神经表征

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员证明了掩码自编码器可以从无标签的神经数据中学习有意义的表征，特别是静息态神经活动。通过在一名盲人参与者大脑V1区域的数小时自发多单元活动上预训练掩码自编码器，该模型成功捕获了与大脑空间组织和感知状态分离相关的可解释结构。这种无监督预训练策略被证明能有效改进神经解码，在使用模型冻结的潜在表征进行线性探测时，在一个通用心理测量任务上达到了84.1%的准确率，在一个更具挑战性的阈值水平任务上达到了64.0%的准确率。 AI

影响 展示了一种从无标签神经数据中提取有价值信息的新方法，可能推动神经假体和脑机接口的发展。

排序理由 该集群包含一篇研究论文，详细介绍了掩码自编码器在神经数据上的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

掩码自编码器从无标签数据中学习感知相关的神经表征

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Aleksandr Kovalev, Antonio Lozano, Fabrizio Grani, Cristina Soto Sanchez, Leili Soo, Roc\'io L\'opez-Peco, Adrian Villamarin-Ortiz, Roberto Moroll\'on Ruiz, Mar\'ia del Mar Ayuso Arroyave, Alfonso Rodil, Eduardo Fern\'andez ·

    Masked Autoencoders Learn Perception-Relevant Representations from Resting State Neural Data

    arXiv:2607.22615v1 Announce Type: cross Abstract: Clinical neuroprosthetics face a data bottleneck: labeled perception trials are scarce while hours of spontaneous neural activity are largely underutilized. Here, we test whether self-supervised learning can use these unlabeled da…

相关实体

相关话题