PulseAugur
中
实时 09:36:43
English(EN) The Variance Brain Foundation Models Forgot: Third-Order Statistics Predict Cognition Where Billion-Parameter Models Fail

新方法通过保留大脑模型共偏度来预测认知

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文提出，当前的大脑基础模型（BFMs）未能捕捉到大脑活动中至关重要的三阶统计特性，而这些特性对于预测认知表现至关重要。这些基于fMRI数据训练的大规模模型，优先捕捉主导方差成分，而非共偏度等高阶结构。研究人员开发了一个线性流程，能够保留这些必需的共偏度张量，其性能优于现有BFMs和原始功能连接矩阵，且无需进行广泛的预训练或大量计算资源。 AI

影响 这项研究为开发更有效的大脑基础模型指明了一个新方向，即关注高阶统计特性。

排序理由 该集群包含一篇学术论文，详细介绍了一种分析大脑活动数据的新方法。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Giovanni Marraffini, Gabriel Mahuas, Trinidad Borrell, Victoria Shevchenko, Demian Wassermann ·

    The Variance Brain Foundation Models Forgot: Third-Order Statistics Predict Cognition Where Billion-Parameter Models Fail

    arXiv:2606.04010v1 Announce Type: cross Abstract: Brain foundation models (BFMs) are self-supervised Transformers pretrained on fMRI data. We posit that these models should capture each subject's cognitive performance from their fMRI signal. Yet across three state-of-the-art BFMs…

相关实体

相关话题