脑微结构研究分解数据尺度轴

Christian Schiffer 的一篇新研究论文探讨了表示学习中的数据尺度问题，特别是在人脑微结构领域。该研究将数据尺度分解为三个不同的因素：独特样本数量、来源多样性和空间覆盖范围。使用对比模型对来自 21 个人脑的超过 1100 万个图像斑块进行的实验表明，虽然样本数量、空间覆盖范围、计算量和模型容量的增加可以提高性能，但在样本数量固定的情况下，将样本分布到更多来源并未带来显著的好处。研究结果强调了来源多样性对于泛化能力的重要性，尤其是在预训练期间遇到的受试者方面。 AI

影响 这项研究为优化表示学习的数据尺度提供了见解，有可能提高 AI 模型在生物数据分析等专业领域的性能。

排序理由 该条目是一篇发表在 arXiv 上的研究论文，详细介绍了一项关于表示学习的研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Christian Schiffer
• DagsHub
• Gotit.pub
• Hugging Face
• Human Brain Microarchitecture
• Influence Flower
• ScienceCast

• 论文
• 其他

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