核心概念
Psychometry는 개인차를 고려하면서도 다양한 개인의 fMRI 데이터에서 공통적인 패턴을 포착할 수 있는 범용 모델이다.
摘要
이 논문은 fMRI 데이터로부터 이미지를 재구성하는 Psychometry라는 모델을 제안한다. 기존 연구들은 개인별로 별도의 모델을 학습하여 개인차를 고려했지만, 이는 많은 계산 자원이 필요하고 개인 간 공통점을 포착하기 어려웠다.
Psychometry는 다음 두 가지 핵심 모듈을 통해 이러한 한계를 극복한다:
- Omni MoE (Mixture of Experts) 모듈: 모든 전문가가 협력하여 fMRI 데이터의 개인 간 공통점을 포착하고, 각 전문가에 개인별 매개변수를 할당하여 개인차를 다룬다. 또한 효율성을 위해 split-then-lump 메커니즘을 사용한다.
- Ecphory 모듈: 학습된 fMRI 표현을 향상시키기 위해 사전에 저장된 개인별 "기억"에서 가장 관련성 높은 정보를 검색하여 활용한다.
이러한 설계를 통해 Psychometry는 개인 간 공통점과 개인차를 모두 효과적으로 포착할 수 있으며, 고품질의 이미지 재구성 결과를 달성한다.
統計資料
개인별 fMRI 데이터의 개인차로 인해 기존 방법들은 성능 저하가 발생했다.
Psychometry는 개인 간 공통점과 개인차를 모두 잘 포착하여 기존 방법 대비 12.2%, 9.4%, 11.7%, 11.8% 향상된 성능을 보였다.
引述
"Psychometry는 개인차를 고려하면서도 다양한 개인의 fMRI 데이터에서 공통적인 패턴을 포착할 수 있는 범용 모델이다."
"Omni MoE 모듈은 모든 전문가가 협력하여 fMRI 데이터의 개인 간 공통점을 포착하고, 각 전문가에 개인별 매개변수를 할당하여 개인차를 다룬다."
"Ecphory 모듈은 학습된 fMRI 표현을 향상시키기 위해 사전에 저장된 개인별 "기억"에서 가장 관련성 높은 정보를 검색하여 활용한다."