Modelowanie ludzkiego mózgu za pomocą uczenia maszynowego

Wszyscy lubimy myśleć, że znamy się najlepiej, ale ponieważ aktywność mózgu jest w dużej mierze kontrolowana przez naszą podświadomość, to prawdopodobnie nasz mózg zna nas najlepiej. Chociaż jest to tylko hipoteza, naukowcy z Japonii zaproponowali już system rekomendacji treści, który zakłada, że ​​to prawda. Zasadniczo taki system wykorzystuje sygnały mózgowe swojego użytkownika (uzyskane na przykład za pomocą skanu MRI) po wystawieniu na działanie określonej treści, a ostatecznie, poprzez eksplorację różnych użytkowników i treści, buduje ogólny model aktywności mózgu.

Gdy dojdziemy do finału mózg Formularz, powinniśmy być w stanie oszacować aktywność mózgu O kimś, kto miał kontakt z pewnymi treściami” – mówi profesor Ryuichi Shinkuma z Shibura Institute of Technology w Japonii, który był częścią zespołu, który wpadł na ten pomysł. Może to zapewnić potężne rozwiązania w dziedzinie komercyjnej, takie jak zmniejszenie koszty ukierunkowanej reklamy.

Istnieje jednak poważna wada, która pojawia się na początku: wykonanie skanów MRI jest drogie. Typowy skan mózgu może wiązać się z kosztami wdrożenia i utrzymania MRI, kosztami pracy specjalistów i kosztami personelu dla dużej liczby uczestników. Stawiając czoła temu wyzwaniu, profesor Shinkuma i jego zespół opracowali innowacyjne rozwiązanie: wykorzystując dane osobowe ludzi do wywnioskowania modelu ich mózgów.

W nowym badaniu opublikowanym w czasopiśmie Transakcje IEEE dotyczące systemów, ludzi i cybernetyki: systemyZespół proponuje schemat, który próbuje złagodzić kompromis związany z wydajnością związany z wnioskowaniem modelu mózgu na podstawie informacji profilowych i kosztem pozyskania tych informacji. Nasz schemat wykorzystuje nauczanie maszynowe Profesor Shinkuma (ML) demonstruje, jak stworzyć model mózgu na podstawie wnioskowania z modelu profilu. „Aby zmniejszyć koszty zbierania informacji, korzystamy z możliwości wyboru funkcji ML, aby zawęzić liczbę elementów ankiety poprzez oszacowanie, w jakim stopniu każdy element przyczynia się do wydajności wnioskowania”.

W szczególności proces selekcji cech określał wkład pozycji kwestionariusza, przypisując jej „ocenę ważności”, a następnie zachowując do wnioskowania tylko te o najwyższym wyniku istotności. Umożliwiło to zespołowi utrzymanie wysokiej wydajności wnioskowania przy jednoczesnym obniżeniu kosztów informacji.

Aby zweryfikować skuteczność swojego schematu, zespół ocenił dokładność jego działania, wykorzystując eksperymentalnie uzyskany model mózgu oraz model profilu oparty na rzeczywistym profilu. Informacja. Odkryli, że schemat osiągnął mniej więcej ten sam poziom dokładności wnioskowania modelu mózgu, jak w przypadku 209 kwestionariuszy wykorzystujących tylko 15-20 pozycji na pierwszym planie. Wskazuje to, że tylko pierwszych 10 pozycji kwestionariusza wystarczyło do wywnioskowania modelu mózgu.

„Ważnym kolejnym krokiem będzie określenie najlepszej kombinacji ML i metody selekcji cech, aby poprawić wydajność naszego programu” – mówi entuzjastycznie nastawiony profesor Shinkuma, rozważając przyszłe kierunki badawcze swojej pracy. „Jednocześnie będziemy musieli obniżyć całkowity koszt obliczeń w rzeczywistych aplikacjach z dużą liczbą użytkowników”.

Wydaje się, że w niedalekiej przyszłości nasza wiedza o tym, kim jesteśmy, może pochodzić z zewnątrz.

Prezentowane przez Shibura Institute of Technology