Forscher haben eine neue Trainingsmethode namens MOJO entwickelt, die Gehirn-Computer-Schnittstellen (BCIs) und anderen Neurotechnologien hilft, aus ungelabelten neuronalen Daten zu lernen und ihre Leistung dramatisch zu verbessern, wenn nur eine kleine Menge gelabelter Daten verfügbar ist.
Die Forschung
Ein Team unter der Leitung von Ximeng Mao an der Universität Montreal stellte MOJO (Masked autOencoder-based JOint training) vor, ein Framework, das selbstüberwachtes Lernen (SSL) durch maskiertes Autoencoding mit traditionellem überwachten Lernen (SL) kombiniert. Sie testeten MOJO an drei Spiking-Datensätzen: motorischer Kortex von Affen während Greifaufgaben und multi-regionale Mausaufnahmen während Seh- und Entscheidungsaufgaben. MOJO übertraf konsequent rein SL-trainierte Modelle. Die Verbesserung war am auffälligsten beim Few-Shot-Finetuning, bei dem nur eine geringe Menge gelabelter Daten aus einer neuen Sitzung verfügbar war. Beispielsweise erreichte MOJO mit nur 10 % der gelabelten Daten eine Dekodiergenauigkeit, die mit SL-Modellen vergleichbar war, die auf vollständigen Datensätzen trainiert wurden. Darüber hinaus erzeugte MOJO interpretierbarere neuronale Repräsentationen, was die Leistung bei der Klassifizierung von Hirnregionen und der Vorhersage von Spike-Statistiken verbesserte, ohne dass ein explizites Training für diese Aufgaben erforderlich war. Das Framework generalisierte auch auf menschliche Elektrokortikographie (ECoG) während des Sprechens, übertraf reine SL-Modelle und erreichte spezialisierte Neuro-Foundation-Modelle für kontinuierliche Signale.
Warum es wichtig ist
Das Training neuronaler Dekoder erfordert typischerweise große Mengen an gepaarten Verhaltenslabels, deren Erfassung teuer und zeitaufwändig ist. MOJOs Fähigkeit, ungelabelte Daten – die reichlich vorhanden sind – zu nutzen, könnte die Entwicklung von BCIs und Closed-Loop-Experimenten beschleunigen. Für alle, die an kognitivem Training interessiert sind, zeigt diese Forschung, wie selbstüberwachte Lernprinzipien sinnvolle Muster aus Daten extrahieren können, ohne explizite Labels – ähnlich wie unser Gehirn aus rohem sensorischem Input lernt. Dies deutet darauf hin, dass flexibles, dateneffizientes Lernen möglich ist, was neue Gehirntrainingsparadigmen inspirieren könnte, die sich schnell an individuelle neuronale Signaturen anpassen.
Was Sie tun können
Während MOJO eine technische Methode für Forscher ist, spiegelt seine Kernidee – das Lernen aus ungelabelten Mustern – wider, wie Sie Ihre eigene Kognition trainieren können: Setzen Sie sich vielfältigen, reichhaltigen Erfahrungen aus, ohne explizites Feedback zu benötigen. Für gezielte Verbesserungen versuchen Sie adaptive Gehirntrainingsübungen, die sich an Ihre Leistung anpassen – ähnlich wie MOJO Repräsentationen an neuronale Daten anpasst.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntrainings-Level.
