认知神经科学的研究越来越多地使用了机器学习算法和多变量模式分析(MVPA)来对脑行为关系进行建模。这些算法通常属于两种主要类型:无监督或监督。在认知神经科学中,大多数研究都认为大脑状态以线性,一对一的方式映射到行为。如果存在此类映射,则无监督和监督的方法应导致结论。但是,当映射更为复杂时,结论差异。不幸的是,脑行为关系的基础真理很少(即使有的话)事先知道,因此,当科学家使用由一组可能没有合理性的假设引导的模型方法时,可能得出了不正确的结论。在本文中,我们引入了可能的解决方案。我们将无监督和歧视性的监督模型与模型比较策略相结合,并将这种方法应用于已知的地面真相脑行为关系的模拟数据。组合的建模方法学习了一个潜在空间,该空间模拟了模拟大脑状态的分布(类似于无监督的方法)。同时,潜在空间包含可用于预测行为的信息,从而有助于脑行为特征(类似于监督方法)。我们使用四个模拟数据集,这些数据集在脑行为关系的线性和均匀性上有所不同,以比较每个模拟数据集沿连续体的建模结果,从完全不受监督到完全监督。更重要的是,我们检查了由于在建模过程中应用于数据集的错误假设而导致的潜在空间发生了什么。我们进一步展示了我们的框架如何以一种完全无监督的v。完全监督的方法对各种大脑行为的关系进行建模,这不是通过比较每个模拟数据集的建模结果,从完全无监督到完全监督的连续性。
主要关键词