激发您的大脑：有效适应fMRI预训练模型的支架提示调优
内容提要
本文介绍了多种自然语言处理和深度学习框架，如PPT、IPT和SPT，强调通过预训练和提示调整来提升模型性能。研究表明，适当的提示微调和多任务训练能显著提高准确性，尤其在fMRI数据分析中表现突出。这些方法在不同任务中展现了良好的迁移学习能力和可解释性。
延伸解读
提示调优在神经解码中的优势
文章指出，在神经解码任务中，prompt-tuning比fine-tuning更能使模型表征与大脑数据对齐，在10个自然语言理解任务上表现更优。这提示我们，在脑机接口或认知神经科学应用中，采用提示调优可能更符合大脑的信息处理方式，从而提升解码性能。
fMRI预训练的多任务协同效应
自监督预训练框架在fMRI数据上展示了多任务训练的协同效应，微调预训练模型或训练新模型都能显著提高分类准确性。这表明，利用多任务预训练可以促进迁移学习，为fMRI数据分析提供更有效的初始化，减少对大量标注数据的依赖。
参数高效微调的实际意义
IPT仅需调整250个自由参数即可在低维NLP任务中表现出高通用性，SPT通过可学习概率门选择提示层，在少样本情况下优于传统方法。这些方法大幅降低了计算和存储成本，使得在资源受限环境下适配大规模预训练模型成为可能。
跨中心fMRI研究的异质性处理
协作域适应框架无需源数据即可减少多中心rs-fMRI研究中的数据异质性，并成功在不同扫描仪和任务间进行预测。这对于整合多站点神经影像数据、提高研究可重复性具有重要意义，但文章未提及该框架在极端异质性下的表现。
Q&A
PPT框架的主要功能是什么？
PPT框架通过在预训练阶段添加软提示，提升模型初始化效果，适用于大规模预训练语言模型。
内在提示调整（IPT）在自然语言处理中的优势是什么？
IPT在低维自然语言处理任务中表现出高通用性，仅需调整250个自由参数即可实现。
SPT框架是如何优化提示层的？
SPT框架通过可学习的概率门优化提示层，实验证明其在全数据和少样本情况下表现优于传统方法。
自监督预训练框架在fMRI数据分析中的作用是什么？
自监督预训练框架通过多任务训练显著提高fMRI分类任务的准确性，展现出迁移学习能力。
MCIAT框架的创新之处在哪里？
MCIAT框架结合多任务协同预训练和个体自适应标记微调，提升了语义表示和大脑诊断性能。
prompt-tuning与fine-tuning的比较结果如何？
在神经解码方面，prompt-tuning优于fine-tuning，尤其在处理细粒度概念意义的任务中表现更好。
