Brain2Model 迁移：以人类神经活动作为教师训练感知与决策模型
神经与进化计算
2025-06-27 v1 新兴技术
神经元与认知
摘要
迁移学习通过采用来自大型预训练教师模型的丰富特征表示，增强了对新型感知与决策模型的训练。认知神经科学表明，人类大脑会创建低维的抽象表示，以实现高效的感知运动编码。重要的是，与人工模型所需的数据量和计算能力相比，大脑能用显著更少的数据点和更低的计算开销学习这些表示。我们提出了 Brain2Model 迁移学习 (B2M)，这是一个利用人类感知与决策任务中的神经活动作为教师模型来训练人工神经网络的框架。我们提出了两种 B2M 策略：(1) 大脑对比迁移，通过对比目标对齐大脑活动与网络激活；(2) 大脑潜变量迁移，通过对大脑衍生特征进行监督回归，将来自相似认知任务的潜动力学投影到学生网络。我们在基于记忆的决策（使用循环神经网络）和自动驾驶的场景重建（使用变分自编码器）中验证了 B2M。结果表明，受益于基于大脑迁移的学生网络比孤立训练的网络收敛更快，并达到了更高的预测精度。我们的发现表明，大脑的表示对人工学习者极具价值，为更高效地学习复杂决策表示铺平了道路，而这些表示若纯粹通过人工训练将代价高昂或十分缓慢。
引用
@article{arxiv.2506.20834,
title = {Brain2Model Transfer: Training sensory and decision models with human neural activity as a teacher},
author = {Tomas Gallo Aquino and Victoria Liu and Habiba Azab and Raissa Mathura and Andrew J Watrous and Eleonora Bartoli and Benjamin Y Hayden and Paul Sajda and Sameer A Sheth and Nuttida Rungratsameetaweemana},
journal= {arXiv preprint arXiv:2506.20834},
year = {2025}
}
备注
15 pages, 4 figures