On the benefits of self-taught learning for brain decoding

要約

新しいタスクでの脳のデコードを改善するために、独学の学習フレームワークで、fMRI 統計マップで構成される大規模な公開ニューロ イメージング データベースを使用する利点を研究します。
まず、NeuroVault データベースを活用して、関連する統計マップを選択して、畳み込みオートエンコーダーをトレーニングし、これらのマップを再構築します。
次に、この訓練されたエンコーダーを使用して、教師付き畳み込みニューラル ネットワークを初期化し、NeuroVault データベースの大規模なコレクションからの目に見えない統計マップのタスクまたは認知プロセスを分類します。
このような独学の学習プロセスは常に分類子のパフォーマンスを向上させますが、そのメリットの大きさは、モデルの事前トレーニングと微調整の両方に使用できるデータの数と、対象となるダウンストリーム タスクの複雑さに大きく依存することを示しています。

要約(オリジナル)

We study the benefits of using a large public neuroimaging database composed of fMRI statistic maps, in a self-taught learning framework, for improving brain decoding on new tasks. First, we leverage the NeuroVault database to train, on a selection of relevant statistic maps, a convolutional autoencoder to reconstruct these maps. Then, we use this trained encoder to initialize a supervised convolutional neural network to classify tasks or cognitive processes of unseen statistic maps from large collections of the NeuroVault database. We show that such a self-taught learning process always improves the performance of the classifiers but the magnitude of the benefits strongly depends on the number of data available both for pre-training and finetuning the models and on the complexity of the targeted downstream task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google