Un nuevo estudio de investigadores de la Universidad de Roma Tor Vergata revela que los modelos de aprendizaje automático más simples pueden decodificar lo que las personas ven, oyen o leen a partir de escáneres cerebrales con mayor precisión que los complejos. La clave no es cuán intrincado sea el modelo, sino cómo aprende a alinear las señales cerebrales con conceptos.
La investigación
Liderado por Matteo Ciferri, Matteo Ferrante y Nicola Toschi, el equipo analizó datos de resonancia magnética funcional (fMRI) de múltiples conjuntos de datos públicos. Compararon decodificadores lineales contrastivos —modelos que aprenden alineando la actividad cerebral con representaciones de modelos fundamentales de visión, lenguaje y audio— con regresión ridge y alternativas no lineales. En todas las modalidades, el enfoque lineal contrastivo superó a otros, logrando mayor precisión al recuperar el estímulo correcto a partir de la actividad cerebral. El hallazgo se mantuvo para imágenes, texto y sonido, lo que sugiere un principio general: las señales de fMRI, promediadas en tiempo y espacio, son efectivamente lineales, por lo que los modelos complejos no lineales son innecesarios.
Por qué es importante
Este estudio derriba la suposición de que los modelos más complejos son siempre mejores para la decodificación cerebral. Para la ciencia cognitiva, apoya la teoría de que los conceptos se organizan como vectores de alta dimensión en el cerebro. Para aplicaciones prácticas, significa que modelos más simples e interpretables podrían impulsar interfaces cerebro-computadora y herramientas de neurofeedback, haciéndolos más rápidos y fiables. Los resultados enfatizan que el objetivo de entrenamiento —específicamente el alineamiento contrastivo— importa más que la complejidad arquitectónica.
Qué puedes hacer
Aunque no puedes aplicar estos modelos directamente, puedes entrenar tu cerebro con tareas que requieran alinear diferentes tipos de información, como asociar palabras con imágenes o sonidos. Este aprendizaje multimodal podría fortalecer las representaciones neuronales que los modelos de decodificación aprovechan. Además, mantente informado sobre avances en entrenamiento cognitivo que utilicen estos principios.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Realiza nuestra prueba de CI adaptativa gratuita o prueba 306 niveles de entrenamiento cerebral.
