Expert2Coder：利用回归专家混合捕捉差异化脑区
机器学习
2020-06-02 v2 计算与语言
神经元与认知
机器学习
摘要
利用语言编码模型进行fMRI语义类别理解，试图学习一种将刺激与相应脑激活关联起来的前向映射。最先进的编码模型使用单一的全局模型（线性或非线性）来根据刺激预测脑激活。然而，这些方法的关键假设是，先验上不同脑区对所有刺激的反应方式相同，即不假设任何脑区具有模块化或专门化。这与模块化理论相悖，许多认知神经科学研究支持大脑中存在功能专门化区域的观点。在本文中，我们通过将相似区域聚类在一起，并为每个聚类使用混合线性专家模型学习不同的线性回归模型来实现这一点。这里的核心思想是，每个线性专家捕捉相似脑区的行为。给定新刺激时，所提模型的效用有两方面：（i）将脑激活预测为多个线性专家激活的加权线性组合；（ii）学习对应于不同脑区的多个专家。我们认为，每个专家捕捉与人脑中特定感兴趣区域（ROI）相关的活动模式。本研究有助于理解在给定不同类型刺激时共同激活的脑区。重要的是，我们提出回归专家混合（MoRE）框架成功结合了大脑功能组织的两个原则，即专门化与整合。在范式1[1]中参与者观看语言刺激的fMRI数据上的实验表明，所提MoRE模型比传统模型具有更好的预测精度。
引用
@article{arxiv.1909.12299,
title = {Expert2Coder: Capturing Divergent Brain Regions Using Mixture of Regression Experts},
author = {Subba Reddy Oota and Naresh Manwani and Raju S. Bapi},
journal= {arXiv preprint arXiv:1909.12299},
year = {2020}
}
备注
15 pages