GRAFT: Transformer 기반 신경 집단 활동 모델링을 위한 이득 재보정 어댑터 (Gain-Recalibrated Adapters)

신경 집단 활동 모델 (Neural population activity models)은 빈(binned) 스파이크로부터 풍부한 시간적 구조를 복구할 수 있지만, 이들의 입력(read-in) 및 출력(readout) 레이어는 종종 기록된 뉴런의 고정된 집합에 묶여 있는 경우가 많습니다. 이러한 결합은 기록된 뉴런의 정체성, 개수, 그리고 반응 통계가 날마다 변할 수 있는 장기 뇌-컴퓨터 인터페이스 (Brain-Computer Interfaces, BCI)에서의 재사용을 제한합니다. 우리는 재사용 가능한 시간적 역동성 (temporal dynamics)을 재보정 가능한 뉴런 인터페이스 (neuron interface)로부터 분리하는 Transformer 기반 신경 집단 활동 모델인 GRAFT를 소개합니다. 뉴런 인터페이스는 기록된 뉴런이 공유 백본 (shared backbone)에 진입하고 나가는 방식을 제어하며, 보조적인 이득 (gain) 및 위치 메커니즘 (positional mechanisms)은 Transformer 내부의 신경 활동 모델링을 지원합니다. 표준 NLB'21 프로토콜 하의 MC Maze 데이터셋에서, GRAFT는 앙상블 (ensemble)로서 0.3866 co-bps를 달성하였으며, 이는 공개 및 보고된 NLB'21 결과 중 주요 지표인 co-bps에서 새로운 SOTA (State-of-the-art)를 기록했습니다. NLB'21 MC Maze 데이터셋 시리즈로 구성된 교차 일자 (cross-day) 프로토콜에서, GRAFT는 파라미터의 9.21%만을 업데이트함으로써 MC Maze에서 스케일링된 MC Maze 데이터셋 (Large/Medium/Small)으로 재보정되었으며, 제한된 타겟 일자 지원 집합 (target-day support sets) 조건에서 각각 0.3749, 0.3112, 0.3152 co-bps에 도달했습니다. 이러한 결과는 동일한 인터페이스-백본 분리 구조가 강력한 Transformer 기반 신경 집단 활동 모델링과 데이터 효율적인 교차 일자 재보정을 모두 지원함을 보여줍니다.