پژوهشگران ارزش پیچیدگی مدل‌ها در پیش‌بینی پاسخ‌های fMRI را بررسی کردند

پژوهشگران در پیش‌چاپی در arXiv بررسی کرده‌اند که ویژگی‌های محرکِ استخراج‌شده از مدل‌های ازپیش‌آموزش‌دیده و پیچیدگی مدل‌های پیش‌بینی تا چه اندازه به پیش‌بینی پاسخ‌های BOLD در fMRI طبیعی کمک می‌کند؛ آن‌ها همچنین نقش سابقهٔ اخیر پاسخ‌های اندازه‌گیری‌شدهٔ BOLD را بررسی کرده‌اند.

مقایسه‌ها شامل مدل‌های خطی و پیش‌بین‌های غیرخطی در سه مجموعه‌داده است: HCP movie fMRI با ۱۵۴ آزمودنی، BOLD Moments با ۱۰ آزمودنی و Algonauts 2025 با چهار آزمودنی. در پروتکل آفلاین مشترک، مدل‌ها روی آزمودنی‌های آموزشی برازش شدند و سپس، بدون برازش دوباره، روی آزمودنی‌های کنارگذاشته‌شده ارزیابی شدند؛ این افراد عمدتاً محرک‌های آشنایی را تماشا کرده بودند.

چکیده می‌گوید ویژگی‌های بصریِ ازپیش‌آموزش‌دیده عموماً پیش‌بینی را نسبت به استفاده از پیکسل‌های خام بهبود می‌دهند. متن منبع در همین‌جا ناتمام می‌شود و نتیجهٔ کامل دربارهٔ پیچیدگی مدل‌ها یا سایر مقایسه‌ها را در اختیار نمی‌گذارد.