علوم اعصاب
سامانهٔ AutoBCI معماری‌های رمزگشایی EEG را برای چند وظیفه جست‌وجو می‌کند
این چارچوب با دو عامل هوش مصنوعی معماری‌ها را می‌سازد و عملکردشان را پیش‌بینی می‌کند؛ در ارزیابی ۱۴ مجموعه‌داده، مدل برگزیده‌اش اندکی از قوی‌ترین خط پایه بهتر بود.
پژوهشگران در پیش‌چاپی در arXiv، سامانهٔ AutoBCI را معرفی کرده‌اند؛ چارچوبی برای یافتن معماری‌های رمزگشایی سیگنال EEG که در وظایف مختلف رابط مغز و رایانه عملکرد مناسبی داشته باشند. AutoBCI از دو عامل بهره می‌گیرد: Designer Agent با تولید و اصلاح معماری‌ها، آن‌ها را در چند وظیفه آموزش و اعتبارسنجی می‌کند؛ Forecaster Agent نیز با بررسی کد معماری، پروتکل آموزش و منحنی‌های یادگیری اولیه، عملکرد اعتبارسنجی در آموزش کامل را تخمین می‌زند تا گزینه‌های امیدوارکننده برای ادامهٔ آموزش انتخاب شوند.
پژوهشگران AutoBCI را روی ۱۴ مجموعه‌دادهٔ مربوط به تصویرسازی حرکتی، تشخیص هیجان و مرحله‌بندی خواب، با شش مدل زبانی بزرگ ارزیابی کرده‌اند و معماری‌های منتخب را با ۱۰ خط پایه—شش مدل متعارف EEG و چهار مدل پایه—مقایسه کرده‌اند. معماری کشف‌شده با Claude Opus 5.5 به میانگین دقت متوازن آزمون ۶۴٫۱۶ درصد رسید؛ در برابر ۶۳٫۸۷ درصد برای REVE، قوی‌ترین خط پایه بر اساس این معیار.
همچنین، با استفاده از ۱۰ epoch مشاهده‌شده، عامل پیش‌بینی خطای میانگین مطلق تخمین میانگین دقت متوازن اعتبارسنجی را از ۲٫۲۰ به ۱٫۳۶ واحد درصد رساند؛ کاهشی ۳۸٫۱درصدی در مقایسه با خط پایه‌ای که بهترین امتیاز مشاهده‌شده را مبنا قرار می‌دهد. این نتایج در چکیدهٔ پیش‌چاپ گزارش شده‌اند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده