ترجمه فارسی مقاله به مغز خود بیافزایید: تنظیم سریع داربست برای انطباق کارآمد مدل از پیش آموزش دیده fMRI

چکیده

We introduce Scaffold Prompt Tuning (ScaPT), a novel prompt-based framework for adapting large-scale functional magnetic resonance imaging (fMRI) pre-trained models to downstream tasks, with high parameter efficiency and improved performance compared to fine-tuning and baselines for prompt tuning. The full fine-tuning updates all pre-trained parameters, which may distort the learned feature space and lead to overfitting with limited training data which is common in fMRI fields. In contrast, we design a hierarchical prompt structure that transfers the knowledge learned from high-resource tasks to low-resource ones. This structure, equipped with a Deeply-conditioned Input-Prompt (DIP) mapping module, allows for efficient adaptation by updating only 2% of the trainable parameters. The framework enhances semantic interpretability through attention mechanisms between inputs and prompts, and it clusters prompts in the latent space in alignment with prior knowledge. Experiments on public resting state fMRI datasets reveal ScaPT outperforms fine-tuning and multitask-based prompt tuning in neurodegenerative diseases diagnosis/prognosis and personality trait prediction, even with fewer than 20 participants. It highlights ScaPT’s efficiency in adapting pre-trained fMRI models to low-resource tasks.

چکیده به فارسی (ترجمه ماشینی)

ما تنظیمات سریع داربست (SCAPT) را معرفی می کنیم ، یک چارچوب مبتنی بر سریع مبتنی بر تطبیق مدل های از قبل آموزش دیده مغناطیسی عملکردی در مقیاس بزرگ (FMRI) تا کارهای پایین دست ، با راندمان پارامتر بالا و عملکرد بهبود یافته در مقایسه با تنظیم دقیق و پایه های پایه برایتنظیم سریعتنظیم کامل تنظیم شده ، تمام پارامترهای از قبل آموزش دیده را به روز می کند ، که ممکن است فضای ویژگی های آموخته شده را تحریف کند و با داده های آموزشی محدود که در زمینه های FMRI رایج است ، منجر به بیش از حد شود.در مقابل ، ما یک ساختار سریع سلسله مراتبی را طراحی می کنیم که دانش آموخته شده از کارهای با منابع بالا را به موارد کم منبع منتقل می کند.این ساختار ، مجهز به یک ماژول نقشه برداری کاملاً با وضعیت ورودی (DIP) ، با به روزرسانی تنها 2 ٪ از پارامترهای قابل آموزش ، امکان سازگاری کارآمد را فراهم می کند.این چارچوب تفسیر معنایی را از طریق مکانیسم های توجه بین ورودی ها و اعلان ها تقویت می کند ، و خوشه های آن در فضای نهفته در تراز با دانش قبلی می شوند.آزمایشات مربوط به مجموعه داده های حالت استراحت عمومی FMRI نشان می دهد که تنظیمات سریع تنظیم دقیق و چند وظیفه ای مبتنی بر تنظیم سریع در بیماری های عصبی تشخیص/پیش آگهی و پیش بینی ویژگی های شخصیتی ، حتی با کمتر از 20 شرکت کننده.این کارآیی SCAPT را در تطبیق مدل های FMRI از پیش آموزش داده شده با کارهای کم منبع برجسته می کند.