{"id":13582,"url":"\/distributions\/13582\/click?bit=1&hash=08f63613201fa572e9d042f45442e065ac99a64011290465240c71f90fc00f1a","title":"\u0418\u043d\u043a\u0443\u0431\u0430\u0442\u043e\u0440 \u0438 \u0430\u043a\u0441\u0435\u043b\u0435\u0440\u0430\u0442\u043e\u0440 \u043c\u044b \u0432\u0438\u0434\u0435\u043b\u0438, \u0430 \u0441\u0442\u0430\u0440\u0442\u0430\u043f-\u0441\u0442\u0443\u0434\u0438\u044f \u2014 \u044d\u0442\u043e \u0447\u0442\u043e?","buttonText":"\u0423\u0437\u043d\u0430\u0442\u044c","imageUuid":"acb6f58f-ce2f-51d0-96cb-c256b9565a70","isPaidAndBannersEnabled":false}
Виталий Миняйло

Моделирование человеческого мозга с помощью машинного обучения

Нам всем нравится думать, что мы знаем себя лучше всех, но, учитывая, что деятельность нашего мозга в большой мере определяется нашим подсознанием, только наш мозг знает нас лучше! Хоть это всего лишь гипотеза, исследователи из Японии уже предложили систему рекомендаций, которая доказывает, что это правда.

По сути, такая система использует сигналы мозга пользователя (полученные, скажем, с помощью фМРТ) при воздействии с определенным контентом и в конечном итоге, исследуя их реакции, выстраивает общую модель активности мозга.

«Как только мы получим «финальную» модель мозга, мы сможем точно оценить мозговую активность человека, когда он сталкивается с определенным контентом», - говорит профессор Рёити Шинкума из Технологического института Шибаура, Япония, который был членом команды, которая придумала эту идею. «Это может полезно для решений в коммерческой сфере, например, для снижения затрат на таргетированную рекламу».

Однако вначале проявляется серьезный недостаток: получение изображений МРТ стоит дорого. Типичное сканирование мозга связано с затратами на развертывание и обслуживание МРТ, затратами на оплату труда специалистов и затратами на набор большого количества участников. Столкнувшись с этой проблемой, профессор Шинкума и его команда придумали гениальное решение: использовать профильную информацию о людях для вывода модели их мозга.

В их новом исследовании, команда предлагает схему, которая пытается смягчить компромисс между производительностью, связанной с выводом модели мозга из информации профиля, и стоимостью ее получения. Информация.

«Наша схема использует машинное обучение (ML) для создания модели мозга на основе вывода модели профиля», - объясняет профессор Шинкума. «Чтобы снизить стоимость сбора информации, мы используем возможность выбора признаков с помощью машинного обучения, чтобы сузить количество пунктов анкеты, оценивая степень, в которой каждый пункт способствует эффективности вывода».

Процесс выбора характеристик количественно оценивал вклад элемента анкеты, приписывая ему “оценку за важность», а затем оставлял только те, которые имели наивысшие баллы. Это позволило команде поддерживать высокую производительность логического вывода, в то же время ограничивая информационные затраты.

Чтобы проверить эффективность своей схемы, команда оценила точность ее работы, используя модель мозга, полученную экспериментально, и модель профиля, основанную на реальной информации. Они обнаружили, что схема достигла почти такого же уровня точности вывода модели мозга, как и в случае использования 209 опросов,используя только 15-20 самых важных элементов. Это говорит о том, что только 10% вопросов анкеты были достаточны для вывода модели мозга.

0
Комментарии
Читать все 0 комментариев
null