我们都喜欢认为我们最了解自己，但考虑到我们的大脑活动主要由我们的潜意识控制，可能是我们的大脑更了解我们。虽然这只是一个假设，但日本的研究人员已经提出了一个内容推荐系统，假设这是真的。本质上，这样的系统在暴露于特定内容时利用其用户的大脑信号（例如使用 MRI 扫描获得），并最终通过探索各种用户和内容，建立大脑活动的一般模型。
“一旦我们获得了‘终极’大脑 模型，我们应该能够完美地估计一个人接触特定内容的大脑活动，”日本芝浦工业大学的 Ryoichi Shinkuma 教授说，他是该研究的一部分。提出这个想法的团队。“这可以在商业领域提供强大的解决方案，例如降低成本定向广告。”
然而，一开始就存在一个主要缺点：获取 MRI 扫描很昂贵。典型的脑部扫描会涉及 MRI 的部署和维护成本、专家的人工成本以及大量参与者的招募成本。面对这个挑战，新隈教授和他的团队想出了一个巧妙的解决方案：利用人们的个人资料信息来推断他们的大脑模型。
在IEEE Transactions on Systems, Man, and Cybernetics: Systems杂志上发表的一项新研究中，该团队提出了一种方案，试图减轻与从轮廓信息推断大脑模型相关的性能与获取成本之间的权衡那个信息。“我们的方案利用机器学习(ML) 来创建基于轮廓模型推断的大脑模型，” Shinkuma 教授解释说。“为了降低信息收集的成本，我们利用 ML 的特征选择能力，通过估计每个项目对推理性能的贡献程度来缩小问卷项目的数量。”
具体来说，特征选择过程通过赋予一个“重要性分数”来量化问卷项目的贡献，然后只保留那些具有最高重要性分数的推理。这使团队能够保持较高的推理性能，同时限制信息成本。
为了验证他们方案的有效性，该团队使用实验获得的大脑模型和基于真实个人资料信息的个人资料模型评估了其性能准确性。他们发现，该方案仅使用 15-20 个最上面的项目就实现了与使用 209 份问卷的情况几乎相同水平的大脑模型推理精度。这表明只有前 10% 的问卷项目足以推断大脑模型。
“重要的下一步将是确定 ML 和特征选择方法的最佳组合，以优化我们方案的性能，”兴高采烈的 Shinkuma 教授说，他正在考虑他们工作的未来研究方向。“与此同时，我们需要降低涉及大量用户的实际应用程序的总计算成本。”
看起来在不久的将来，我们对自己的了解可能来自外部。
