Une nouvelle étude menée par des chercheurs de l'Université de Rome Tor Vergata révèle que des modèles d'apprentissage automatique simples peuvent décoder ce que les gens voient, entendent ou lisent à partir de scanners cérébraux plus précisément que des modèles complexes. La clé ne réside pas dans la complexité du modèle, mais dans sa capacité à aligner les signaux cérébraux avec les concepts.
La recherche
Sous la direction de Matteo Ciferri, Matteo Ferrante et Nicola Toschi, l'équipe a analysé des données d'IRM fonctionnelle (IRMf) provenant de plusieurs ensembles de données publics. Ils ont comparé des décodeurs contrastifs linéaires — des modèles qui apprennent en alignant l'activité cérébrale avec des représentations issues de modèles de base visuels, langagiers et auditifs — à la régression ridge et à des alternatives non linéaires. Dans toutes les modalités, l'approche contrastive linéaire a surpassé les autres, atteignant une précision plus élevée pour retrouver le stimulus correct à partir de l'activité cérébrale. Ce résultat s'est vérifié pour les images, le texte et le son, suggérant un principe général : les signaux IRMf, moyennés dans le temps et l'espace, sont effectivement linéaires, rendant les modèles non linéaires complexes inutiles.
Pourquoi c'est important
Cette étude renverse l'hypothèse selon laquelle des modèles plus complexes sont toujours meilleurs pour le décodage cérébral. Pour les sciences cognitives, elle soutient la théorie selon laquelle les concepts sont organisés sous forme de vecteurs haute dimension dans le cerveau. Pour les applications pratiques, cela signifie que des modèles plus simples et plus interprétables pourraient alimenter les interfaces cerveau-ordinateur et les outils de neurofeedback, les rendant plus rapides et plus fiables. Les résultats soulignent que l'objectif d'entraînement — en particulier l'alignement contrastif — importe plus que la complexité architecturale.
Ce que vous pouvez faire
Bien que vous ne puissiez pas appliquer ces modèles directement, vous pouvez entraîner votre cerveau avec des tâches qui nécessitent d'aligner différents types d'informations, comme associer des mots à des images ou des sons. Cet apprentissage cross-modal pourrait renforcer les représentations neuronales que les modèles de décodage exploitent. De plus, tenez-vous informé des avancées en entraînement cognitif qui utilisent ces principes.
Source : arXiv q-bio.NC
Curieux de connaître votre propre cerveau ? Passez notre test de QI adaptatif gratuit ou essayez 306 niveaux d'entraînement cérébral.
