Newest papers

Scaling Parameter-Efficient Fine-Tuning for Brain Encoding

Zhuofan Josh Ying, Guanglong Sun, Nolan Ho, Kieran Liu, Rui Yang, Andrew Chen, Nikolaus Kriegeskorte, Pony Ma · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26802 · open-access PDF

French

Les modèles d'encodage du cerveau visent à prédire les réponses neuronales aux stimuli. L'approche la plus largement utilisée s'adapte aux lectures des vertèbres prétrainées gelées. L'utilisation de données neuronales pour former de grands modèles à partir de zéro ou les finir complètement après la prétrainement des tâches s'est avérée difficile car les données neuronales sont coûteuses et limitées. Nous montrons que la finition paramétrique efficace (PEFT) nous permet d'adapter efficacement de très grands vertèbres prétrainés à l'encodage du cerveau avec un petit nombre de paramètres formables. Pour le rendre computablement pratique, nous exploitons la structure causale du vertèbre pour prédire

Machine translation (Meta M2M100); the English original follows.

Abstract

Brain encoding models aim to predict neural responses to stimuli. The most widely used approach fits readouts from frozen pretrained backbones. Using neural data to train large models from scratch or fully fine-tune them after task-pretraining has proven difficult because neural data is costly and limited. We show that parameter-efficient fine-tuning (PEFT) enables us to effectively adapt very large pretrained backbones for brain encoding with a small number of trainable parameters. To make it computationally practical, we exploit the backbone's causal structure to predict multiple timepoints

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange