[论文解读] Few-shot Learning for Decoding Brain Signals.

Myriam Bontonou, Nicolas Farrugia+1 more|arXiv (Cornell University)|Oct 23, 2020

Domain Adaptation and Few-Shot Learning被引用 7

一句话总结

本文提出了一项用于脑信号解码少样本学习的基准测试，评估了元学习与主干网络在神经影像数据上的表现。研究发现，如多层感知机等简单、结构无关的模型优于基于图的主干网络，表明在极少标注样本的情况下也能实现有效的解码。

ABSTRACT

Few-shot learning consists in addressing data-thrifty (inductive few-shot) or label-thrifty (transductive few-shot) problems. So far, the field has been mostly driven by applications in computer vision. In this work, we are interested in stressing the ability of recently introduced few-shot methods to solve problems dealing with neuroimaging data, a promising application field. To this end, we propose a benchmark dataset and compare multiple learning paradigms, including meta-learning, as well as various backbone networks. Our experiments show that few-shot methods are able to efficiently decode brain signals using few examples, and that graph-based backbones do not outperform simple structure-agnostic solutions, such as multi-layer perceptrons.

研究动机与目标

• 在标注样本有限的领域中评估少样本学习方法，该领域为神经影像数据。
• 建立一个用于跨多种神经记录模态的脑信号少样本解码的基准数据集。
• 在低数据环境下比较元学习与非元学习范式在脑信号解读中的表现。
• 评估各种主干网络的性能，包括基于图与非基于图的架构。
• 确定结构归纳偏置（例如图网络）是否有助于提升脑信号的少样本解码性能。

提出的方法

• 提出了一项新的脑信号少样本解码基准数据集，旨在支持在多种神经影像任务中进行评估。
• 评估了多种学习范式，包括原型网络和匹配网络等元学习方法。
• 对比了主干网络，包括多层感知机（MLPs）、卷积神经网络（CNNs）和图神经网络（GNNs）。
• 应用了归纳式和归纳式少样本学习设置，以模拟神经影像中真实的低数据场景。
• 采用少样本评估协议，通过支持集和查询集来衡量零样本和少样本泛化性能。
• 在每类仅有少量标注样本的少样本任务中训练模型，重点评估少样本泛化准确率。

实验结果

研究问题

• RQ1 少样本学习方法是否能仅使用极少的标注样本有效解码脑信号？
• RQ2 在脑信号解码中，基于图的主干网络是否相比结构无关模型具有性能优势？
• RQ3 在低数据神经影像场景下，元学习方法与标准监督学习相比表现如何？
• RQ4 不同主干网络架构对少样本脑信号解码性能有何影响？
• RQ5 图网络的结构归纳偏置是否有利于建模脑信号数据？

主要发现

• 少样本学习方法仅使用少量标注样本即可实现有效的脑信号解码。
• 尽管具有结构归纳偏置，多层感知机（MLPs）在脑信号解码中仍优于图神经网络（GNNs）。
• 在此神经影像背景下，基于图的主干网络并未显著优于更简单的、结构无关的模型。
• 元学习方法表现有前景，但在所测试设置中并未始终优于非元学习基线方法。
• 该基准数据集使得对脑信号解码任务中少样本方法的评估更加一致。
• 在该低数据环境下，复杂架构（如GNNs）带来的性能提升并不足以证明其合理性，表明更简单的模型已足够。