NeuralBench
PulseAugur coverage of NeuralBench — every cluster mentioning NeuralBench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型STST-JEPA模型推动脑电图自监督学习在脑龄预测方面的进展
研究人员开发了STST-JEPA，这是一种新颖的、专为脑电图（EEG）数据设计的自监督Transformer架构。该模型在超过47,000次脑电图会话的大型数据集上进行了预训练，旨在改进脑龄预测和其他神经学分析。STST-JEPA架构包含一个潜在预测目标和一个辅助信号重建项，以处理脑电图数据的复杂性，如跨站点变异和受试者特异性非平稳性。初步结果显示，年龄回归的平均绝对误差为3.06年，在性别分类和精神病理学回归基准测试中表现具有竞争力。
-
Meta AI 的 Brain2Qwerty v2 以 61% 的准确率将脑活动解码为文本
Meta AI 开发了 Brain2Qwerty v2，这是一个先进的系统，使用非侵入式记录将脑活动解码为文本。新版本实现了 61% 的单词准确率，比以前的非侵入式方法有了显著改进，并且接近手术技术的性能。研究团队正在发布 Brain2Qwerty v1 和 v2 的训练代码，以及来自其合作伙伴巴斯克认知、大脑和语言中心 (BCBL) 的数据集，以促进开放神经科学研究并帮助有沟通障碍的人。
-
Meta AI 推出 NeuralBench 以标准化脑信号 AI 模型评估
Meta AI 推出了 NeuralBench，一个旨在标准化分析脑信号的 AI 模型评估的开源框架。初始版本 NeuralBench-EEG v1.0 是此类最广泛的基准测试，涵盖 36 个任务、94 个数据集，并评估了 14 种深度学习架构。该计划旨在通过提供一个统一的平台来比较模型在各种神经科学应用中的性能，从而解决 NeuroAI 研究的碎片化问题。
-
Brain & AI 团队发布 NeuralBench，一个用于神经 AI 基准测试的框架
研究人员推出 NeuralBench，一个旨在统一神经 AI 系统基准测试的新框架。该项目旨在标准化受神经科学启发的 AI 模型的评估方式。该项目由 Hubert Banville 领导，并得到了多位研究人员的贡献。