Investigadores han desarrollado un nuevo método de entrenamiento llamado MOJO que ayuda a las interfaces cerebro-computadora (BCI) y otras neurotecnologías a aprender de datos neuronales no etiquetados, mejorando drásticamente su rendimiento cuando solo se dispone de una pequeña cantidad de datos etiquetados.
La investigación
Un equipo liderado por Ximeng Mao en la Universidad de Montreal introdujo MOJO (Masked autOencoder-based JOint training), un marco que combina el aprendizaje autosupervisado (SSL) mediante auto-codificación enmascarada con el aprendizaje supervisado tradicional (SL). Probaron MOJO en tres conjuntos de datos de picos neuronales: corteza motora de monos durante tareas de alcance, y grabaciones multirregionales de ratones durante tareas de visión y toma de decisiones. MOJO superó consistentemente a los modelos entrenados solo con SL. La mejora fue más notable en el ajuste fino con pocos ejemplos, donde solo se disponía de una pequeña cantidad de datos etiquetados de una nueva sesión. Por ejemplo, con solo el 10% de los datos etiquetados, MOJO logró una precisión de decodificación comparable a los modelos SL entrenados con conjuntos de datos completos. Además, MOJO produjo representaciones neuronales más interpretables, mejorando el rendimiento en la clasificación de regiones cerebrales y la predicción de estadísticas de picos sin entrenamiento explícito para esas tareas. El marco también se generalizó a electrocorticografía (ECoG) humana durante el habla, superando a los modelos SL puros y equiparando a modelos de base neuroespecializados para señales continuas.
Por qué es importante
Entrenar decodificadores neuronales normalmente requiere grandes cantidades de etiquetas conductuales pareadas, que son costosas y requieren mucho tiempo de recolección. La capacidad de MOJO para aprovechar datos no etiquetados, que son abundantes, podría acelerar el desarrollo de BCI y experimentos de bucle cerrado. Para cualquier persona interesada en el entrenamiento cognitivo, esta investigación destaca cómo los principios del aprendizaje autosupervisado pueden extraer patrones significativos de los datos sin etiquetas explícitas, similar a cómo nuestro cerebro aprende de la entrada sensorial bruta. Sugiere que es posible un aprendizaje flexible y eficiente en datos, lo que podría inspirar nuevos paradigmas de entrenamiento cerebral que se adapten rápidamente a las firmas neuronales individuales.
Qué puedes hacer
Aunque MOJO es un método técnico para investigadores, su idea central (aprender de patrones no etiquetados) refleja cómo puedes entrenar tu propia cognición: exponerte a experiencias diversas y ricas sin necesidad de retroalimentación explícita. Para una mejora específica, prueba ejercicios adaptativos de entrenamiento cerebral que se ajusten a tu rendimiento, de manera similar a como MOJO adapta las representaciones a los datos neuronales.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Realiza nuestro test de CI adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.
