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

Vietnamese

Các mô hình mã hóa não nhằm mục đích dự đoán phản ứng thần kinh đối với kích thích. Cách tiếp cận được sử dụng rộng rãi nhất phù hợp với các bài đọc từ xương sống được đào tạo trước đông lạnh. Sử dụng dữ liệu thần kinh để đào tạo các mô hình lớn từ đầu hoặc hoàn toàn điều chỉnh chúng sau khi đào tạo trước nhiệm vụ đã được chứng minh là khó khăn vì dữ liệu thần kinh là tốn kém và hạn chế. Chúng tôi cho thấy rằng điều chỉnh tốt hiệu quả thông số (PEFT) cho phép chúng tôi hiệu quả điều chỉnh các xương sống được đào tạo trước rất lớn để mã hóa não với một số lượng nhỏ các thông số có thể đào tạo. Để làm cho nó thực tế về mặt tính, chúng tôi khai thác cấu trúc nhân quả của xương sống để dự đoán nhiều điểm thời gian

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