脑激活图的少样本解码
机器学习
2021-05-20 v3
摘要
少样本学习解决可用训练样本有限的问题。迄今为止，该领域主要由计算机视觉中的应用驱动。在此，我们有兴趣调整最近引入的少样本方法以解决涉及神经影像数据的问题，这是一个有前景的应用领域。为此，我们创建了一个用于少样本学习的神经影像基准数据集，并比较了多种学习范式，包括元学习，以及各种骨干网络。我们的实验表明，少样本方法能够利用少量样本高效解码脑信号，这为临床和认知神经科学中的许多应用铺平了道路，例如从脑扫描中识别生物标志物或理解脑表征在广泛认知任务中的泛化。
引用
@article{arxiv.2010.12500,
title = {Few-shot Decoding of Brain Activation Maps},
author = {Myriam Bontonou and Giulia Lioi and Nicolas Farrugia and Vincent Gripon},
journal= {arXiv preprint arXiv:2010.12500},
year = {2021}
}
备注
5 pages. Updated title and minor modifications