Pesquisadores desenvolveram um novo método de treinamento chamado MOJO que ajuda interfaces cérebro-computador (BCIs) e outras neurotecnologias a aprender com dados neurais não rotulados, melhorando drasticamente seu desempenho quando apenas uma pequena quantidade de dados rotulados está disponível.
A pesquisa
Uma equipe liderada por Ximeng Mao na Universidade de Montreal introduziu o MOJO (Masked autOencoder-based JOint training), um framework que combina aprendizado auto-supervisionado (SSL) via autoencoding mascarado com aprendizado supervisionado tradicional (SL). Eles testaram o MOJO em três conjuntos de dados de disparos neurais: córtex motor de macaco durante tarefas de alcance, e gravações multimodais de camundongo durante tarefas de visão e tomada de decisão. O MOJO superou consistentemente modelos treinados apenas com SL. A melhoria foi mais impressionante no ajuste fino com poucos exemplos (few-shot finetuning), onde apenas uma pequena quantidade de dados rotulados de uma nova sessão estava disponível. Por exemplo, com apenas 10% dos dados rotulados, o MOJO alcançou precisão de decodificação comparável a modelos SL treinados em conjuntos de dados completos. Além disso, o MOJO produziu representações neuronais mais interpretáveis, melhorando o desempenho na classificação de regiões cerebrais e na previsão de estatísticas de disparos sem treinamento explícito para essas tarefas. O framework também generalizou para eletrocorticografia humana (ECoG) durante a fala, superando modelos puramente SL e se igualando a modelos neuro-fundacionais especializados para sinais contínuos.
Por que isso importa
Treinar decodificadores neurais normalmente requer grandes quantidades de rótulos comportamentais emparelhados, que são caros e demorados para coletar. A capacidade do MOJO de aproveitar dados não rotulados—que são abundantes—pode acelerar o desenvolvimento de BCIs e experimentos em circuito fechado. Para qualquer pessoa interessada em treinamento cognitivo, esta pesquisa destaca como princípios de aprendizado auto-supervisionado podem extrair padrões significativos dos dados sem rótulos explícitos, semelhante a como nossos cérebros aprendem com a entrada sensorial bruta. Isso sugere que o aprendizado flexível e eficiente em dados é possível, o que pode inspirar novos paradigmas de treinamento cerebral que se adaptam rapidamente a assinaturas neurais individuais.
O que você pode fazer
Embora o MOJO seja um método técnico para pesquisadores, sua ideia central—aprender a partir de padrões não rotulados—espelha como você pode treinar sua própria cognição: exponha-se a experiências diversas e ricas sem precisar de feedback explícito. Para melhoria direcionada, experimente exercícios adaptativos de treinamento cerebral que se ajustam ao seu desempenho, assim como o MOJO adapta representações aos dados neurais.
Fonte: arXiv q-bio.NC
Curioso sobre seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou tente 306 níveis de treinamento cerebral.
