پیش‌آموزش با داده‌های رفتاریِ بدون ثبت عصبی، رمزگشایی حرکت را بهبود می‌دهد

پژوهشگران در مقاله‌ای پیش‌چاپی در arXiv چارچوبی به نام BEEMO معرفی کرده‌اند که برای آموزش مدل‌های رمزگشایی حرکت، به مجموعه‌های بزرگِ داده‌های جفت‌شدهٔ عصبی و رفتاری متکی نیست. این مجموعه‌ها پرهزینه، تهاجمی و دشوار برای گسترش‌اند؛ در مقابل، داده‌های رفتاری فراوان‌تر و جمع‌آوری‌شان آسان‌تر است.

در BEEMO، یک رمزگشای رفتاری پویایی حرکت را مستقیماً از مسیرهای رفتاری می‌آموزد. هرجا دادهٔ فعالیت عصبی در دسترس باشد، لایه‌های «توجه متقابل» آن را وارد فرایند می‌کنند. این چارچوب می‌تواند ترکیب‌های گوناگونی از داده‌های جفت‌شده و داده‌های رفتاریِ بدون ثبت عصبی را به کار بگیرد و امکان می‌دهد آموزش دو نوع بازنمایی مستقل از یکدیگر گسترش یابد.

آزمایش‌ها روی چند مجموعه‌دادهٔ حرکتی درون‌قشری و چند وظیفه، با حضور نخستی‌های غیرانسانی انجام شده است. طبق گزارش پژوهشگران، افزودن داده‌های رفتاریِ بدون ثبت عصبی دقت رمزگشایی را بهبود داد؛ اثر آن به‌ویژه هنگام انتقال مدل به وظایف تازه دیده شد. افزودن حتی مقدار کمی دادهٔ رفتاری از وظیفهٔ مقصد نیز این انتقال را بهتر کرد.

پژوهشگران همچنین گزارش می‌کنند پیش‌آموزش صرفاً با داده‌های رفتاری، بدون هیچ پیش‌آموزش عصبی، به عملکردی قابل‌مقایسه با مدل‌هایی رسید که با مجموعه‌های عصبی به‌مراتب بزرگ‌تری پیش‌آموزش دیده بودند. این نتایج در مقالهٔ پیش‌چاپی ارائه شده‌اند و نویسندگان می‌گویند استفاده از داده‌های رفتاری می‌تواند راهی عملی و کم‌هزینه‌تر برای ساخت مدل‌هایی باشد که میان افراد و وظایف تعمیم می‌یابند.