借助基于情境学习与 AI 增强张量方法变革行为神经科学发现
机器学习
2026-02-20 v1 人工智能
摘要
科学发现流程通常涉及复杂、僵化且耗时的过程，涵盖数据准备、分析与解释。近期 AI 的进展有望以方式使领域专家能够专注于解释和理解发现结果，而非调试僵化的管道或手动标注数据。在数据科学/AI 研究人员与行为神经科学家之间的积极合作中，我们展示了一个以 AI 增强管道为例，旨在变革并加速团队中领域专家从实验数据中获取见解的能力。本案例应用领域为行为神经科学，研究小鼠中的恐惧泛化问题，这一问题的进展有助于我们理解临床上常见且常常严重影响的疾病，如 PTSD（创伤后压力障碍）。我们确定「基于情境学习」(In-Context Learning, ICL) 作为领域专家自动化其管道部分而无需或熟悉 AI 模型训练和微调的合适接口，并展示其在数据准备和模式解释方面的显著效能。我们还引入了新颖的 AI 增强技术，用于张量分解模型，使其能够从应用中异构数据中实现更无缝的模式发现。我们对提出的管道进行了彻底的实验评估，展示其在标准实践中以及针对不属于 ICL 范式的合理 ML 基线方面的优异性能，以确保在追求无缝且易用接口的同时未牺牲性能。最后，我们展示了有效的发现，结果经团队中的领域专家验证。
引用
@article{arxiv.2602.17027,
title = {Transforming Behavioral Neuroscience Discovery with In-Context Learning and AI-Enhanced Tensor Methods},
author = {Paimon Goulart and Jordan Steinhauser and Dawon Ahn and Kylene Shuler and Edward Korzus and Jia Chen and Evangelos E. Papalexakis},
journal= {arXiv preprint arXiv:2602.17027},
year = {2026}
}