人脑可以从少数样本中有效地学习一项新任务，这表明大脑可以将其先验知识转移到不同操作中的任务。此功能类似于机器学习领域中的转移学习（TL）。tl在特定的任务域中使用训练有素的纤维空间，以通过不足的培训数据来提高新任务的性能。tl具有丰富的图表，例如卷积神经网络（CNN）的特征，在不同的任务域中显示出较高的概括能力。但是，这种TL仍然无法使机器学习获得与人脑相关的概括能力。检查是否可以使用大脑的间表示来实现更有效的TL，我们引入了一种由Human Brains介导的TL方法。我们的方法通过使用测量的大脑反应来向前学到的社会，将CNN中视听输入的特征表示为单个大脑的激活模式。然后，为了估计标签反映了视听输入引起的人类认知和行为，转化的表示形式用于TL。我们证明，我们的脑介导的TL（BTL）在标签估计中显示出比标准TL更高的性能。此外，我们说明，大脑介导的估计因大脑之间而异，并且可变性反映了感知的个体变异性。因此，我们的BTL为提高机器学习特征表示的概括能力并使机器学习能够估算人类样的认知和行为，包括个体可变性。