A tutti noi piace pensare di conoscere meglio noi stessi, ma poiché la nostra attività cerebrale è ampiamente controllata dal nostro subconscio, è probabilmente il nostro cervello che ci conosce meglio. Sebbene questa sia solo un’ipotesi, i ricercatori giapponesi hanno già proposto un sistema di raccomandazione dei contenuti che presume che ciò sia vero. In sostanza, un tale sistema utilizza i segnali cerebrali dell’utente (acquisiti utilizzando, ad esempio, una risonanza magnetica) quando esposto a un contenuto specifico e, infine, esplorando utenti e contenuti diversi, costruisce un modello generale di attività cerebrale.

Una volta arrivati ​​in finale cervello Modulo, dovremmo essere in grado di stimare attività cerebrale A proposito di qualcuno esposto a determinati contenuti”, afferma il professor Ryuichi Shinkuma dello Shibura Institute of Technology, Giappone, che faceva parte del team che ha avuto l’idea. Questo può fornire soluzioni potenti in campo commerciale, come ridurre il costi di pubblicità mirata.

Tuttavia, c’è un grosso inconveniente che emerge all’inizio: ottenere scansioni MRI è costoso. Una tipica scansione cerebrale può comportare costi di distribuzione e manutenzione della risonanza magnetica, costi di manodopera per specialisti e costi di personale per un gran numero di partecipanti. Di fronte a questa sfida, il professor Shinkuma e il suo team hanno escogitato una soluzione innovativa: utilizzare le informazioni personali delle persone per dedurre il modello del loro cervello.

In un nuovo studio pubblicato sulla rivista Transazioni IEEE su sistemi, esseri umani e cibernetica: sistemiIl team propone uno schema che tenta di mitigare il compromesso delle prestazioni associato all’inferenza di un modello cerebrale dalle informazioni del profilo e dal costo di acquisizione di tali informazioni. Il nostro schema utilizza apprendimento automatico Il professor Shinkuma (ML) dimostra di creare un modello cerebrale basato sull’inferenza del modello di profilo. “Per ridurre il costo della raccolta delle informazioni, sfruttiamo la capacità di selezione delle funzionalità ML per restringere il numero di elementi del sondaggio stimando quanto ogni elemento contribuisce alle prestazioni di inferenza”.

Nello specifico, il processo di selezione delle caratteristiche ha determinato il contributo dell’item del questionario assegnandogli un “punteggio di importanza” e quindi mantenendo per l’inferenza solo quelli con il punteggio di significatività più alto. Ciò ha permesso al team di mantenere elevate prestazioni di inferenza riducendo al contempo il costo delle informazioni.

Per verificare l’efficacia del loro schema, il team ha valutato l’accuratezza delle sue prestazioni utilizzando un modello cerebrale ottenuto sperimentalmente e un modello di profilo basato su un profilo reale. Informazione. Hanno scoperto che lo schema ha raggiunto all’incirca lo stesso livello di accuratezza dell’inferenza del modello cerebrale del caso utilizzando 209 questionari utilizzando solo 15-20 elementi in primo piano. Ciò indica che solo i primi 10 elementi del questionario erano sufficienti per dedurre il modello cerebrale.

“Un importante passo successivo sarà determinare la migliore combinazione di ML e metodo di selezione delle funzionalità per migliorare le prestazioni del nostro schema”, afferma entusiasta il professor Shinkuma, considerando le future direzioni di ricerca del loro lavoro. “Allo stesso tempo, dovremo ridurre il costo totale del calcolo per le applicazioni del mondo reale con un gran numero di utenti”.

Sembra che in un prossimo futuro, la nostra conoscenza di chi siamo potrebbe venire dall’esterno.

Presentato da Shibura Institute of Technology