Des chercheurs ont développé une nouvelle méthode d'entraînement appelée MOJO qui aide les interfaces cerveau-ordinateur (BCI) et autres neurotechnologies à apprendre à partir de données neuronales non étiquetées, améliorant considérablement leurs performances lorsque seule une petite quantité de données étiquetées est disponible.
La recherche
Une équipe dirigée par Ximeng Mao à l'Université de Montréal a introduit MOJO (Masked autOencoder-based JOint training), un cadre qui combine l'apprentissage auto-supervisé (SSL) via un autoencodeur masqué avec l'apprentissage supervisé traditionnel (SL). Ils ont testé MOJO sur trois ensembles de données de spikes : cortex moteur de singe lors de tâches d'atteinte, et enregistrements multi-régionaux de souris lors de tâches de vision et de prise de décision. MOJO a constamment surpassé les modèles entraînés uniquement par SL. L'amélioration était la plus frappante dans le fine-tuning avec peu d'exemples, où seulement une petite quantité de données étiquetées d'une nouvelle session était disponible. Par exemple, avec seulement 10 % des données étiquetées, MOJO a atteint une précision de décodage comparable à celle des modèles SL entraînés sur des ensembles complets. De plus, MOJO a produit des représentations neuronales plus interprétables, améliorant les performances sur la classification des régions cérébrales et la prédiction des statistiques de spikes sans entraînement explicite pour ces tâches. Le cadre s'est également généralisé à l'électrocorticographie (ECoG) humaine lors de la parole, surpassant les modèles SL purs et égalant les modèles de fondation neuro-spécialisés pour les signaux continus.
Pourquoi c'est important
L'entraînement des décodeurs neuronaux nécessite généralement de grandes quantités d'étiquettes comportementales appariées, ce qui est coûteux et long à collecter. La capacité de MOJO à exploiter les données non étiquetées – abondantes – pourrait accélérer le développement des BCI et des expériences en boucle fermée. Pour toute personne intéressée par l'entraînement cognitif, cette recherche met en lumière comment les principes d'apprentissage auto-supervisé peuvent extraire des motifs significatifs à partir de données sans étiquettes explicites, à l'instar de la façon dont notre cerveau apprend à partir d'entrées sensorielles brutes. Cela suggère qu'un apprentissage flexible et économe en données est possible, ce qui pourrait inspirer de nouveaux paradigmes d'entraînement cérébral qui s'adaptent rapidement aux signatures neuronales individuelles.
Ce que vous pouvez faire
Bien que MOJO soit une méthode technique destinée aux chercheurs, son idée centrale – apprendre à partir de motifs non étiquetés – reflète la manière dont vous pouvez entraîner votre propre cognition : exposez-vous à des expériences diverses et riches sans avoir besoin de retour explicite. Pour une amélioration ciblée, essayez des exercices d'entraînement cérébral adaptatifs qui s'ajustent à vos performances, un peu comme MOJO adapte les représentations aux données neuronales.
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.
