محققان در یک مطالعه جدید به سراغ معماری «RG-Flow Transformer» رفتهاند تا ببینند آیا افزودن مفاهیم فیزیک (گروه بازهنجار) به ترنسفورمرها، میتواند به تحلیل دقیقتر سیگنالهای مغزی (EEG) کمک کند یا خیر.
نتیجه جالب بود: برخلاف تصور اولیه که این مدل باید در دادههای کم بهتر عمل کند، نتایج نشان داد که معماری استاندارد ترنسفورمر همچنان در دقتِ تشخیص مراحل خواب پایاپای عمل میکند. با این حال، تفاوت اصلی در «قابلیت تفسیر» مدلهاست که افقهای جدیدی را در درک دادههای پزشکی باز میکند. این مطالعه یک گام دیگر برای پیوند میان علوم اعصاب و هوش مصنوعی است. 🧬
منبع: arXiv Machine Learning