arXiv cs.AI· Divyansha Lachi, Vinam Arora, Shivashriganesh P. Mahato, Alexandre Andre, Eva L. Dyer·· 11 小时前AI 评分34
BEEMO：解耦行为预训练，用无配对行为数据扩展神经运动解码
Scaling Neural Motor Decoding via Decoupled Behavioral Pretraining
AI 导读
BEEMO 是一个多会话神经解码框架，可混合使用配对的神经-行为记录与无配对行为数据训练，行为解码器直接从行为轨迹学习运动动态，神经活动仅在可用时通过交叉注意力层注入。在多个非人灵长类皮层内运动数据集上，加入无配对行为数据提升了跨新任务的解码表现，仅用目标任务的少量行为数据即可进一步改善迁移。纯行为预训练（不含任何神经预训练）的性能可与在更大神经数据集上预训练的模型相当。
正文 · AI 翻译
摘要：近期的神经解码方法通过在大规模配对的神经-行为记录集合上训练取得了强劲的性能，但此类数据集成本高昂、具有侵入性且难以扩展。相比之下，行为数据丰富且易于收集，这引出了一个问题：神经解码能否从解耦行为表征学习与神经表征学习中受益。我们提出了 BEEMO，一个灵活的多会话框架，支持以任意混合的配对神经-行为记录与未配对行为数据进行训练。行为解码器直接从行为轨迹中学习运动动力学，而神经活动在可用时通过交叉注意力层被纳入，从而使行为监督与神经监督能够独立扩展。在非人灵长类动物的多个皮层内运动数据集和任务上，我们表明引入未配对行为数据可提升解码性能，尤其是在迁移到新任务时；并且加入来自目标任务的少量行为数据还能进一步改善迁移效果。通过解耦神经数据与行为数据，我们开辟了一个新的扩展维度：未配对行为数据比配对神经记录便宜得多、也更容易收集，可直接用于提升解码性能。我们进一步表明，仅进行行为预训练、不进行任何神经预训练，其性能即可与在规模大得多的神经数据集上预训练的模型相媲美。总之，我们的结果表明，扩展行为数据为构建能够跨被试和跨任务泛化的神经解码模型提供了一条实用且高性价比的路径。代码见 此 https URL。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.08263 [cs.LG] |
| （或 arXiv:2611.08263v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08263 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Divyansha Lachi [查看邮箱]
[v1]
2026年11月5日星期四 16:37:10 UTC（4,782 KB）
来源：arXiv cs.AI · arxiv.org