[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-mojo-unlabeled-training-neural-decoding-zh":3,"article-related-mojo-unlabeled-training-neural-decoding-zh":30,"series-research-faf69af0-1ce7-49a4-a9c2-4a0a3afb6065":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"faf69af0-1ce7-49a4-a9c2-4a0a3afb6065","mojo-unlabeled-training-neural-decoding-zh","MOJO 用無標註資料強化神經解碼","\u003Cp data-speakable=\"summary\">MOJO 把 masked autoencoding 和監督式訓練合在一起，讓 spike-tokenizing 神經解碼器能吃進無標註資料，在標籤很少時表現更穩。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：摘要無公開 benchmark 數字\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：聯合遮罩自編碼訓練\u003C\u002Fli>\u003C\u002Ful>\u003Cp>神經解碼這件事，最怕的不是模型不會學，而是資料不夠乾淨、標籤不夠多，或一換 session 就掉分。這篇論文要處理的，就是這個很現實的痛點。\u003C\u002Fp>\u003Cp>作者提出 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.14086\">MOJO（Masked autOencoder-based JOint training）\u003C\u002Fa>，把監督式訓練和 masked autoencoding 放進\u003Ca href=\"\u002Fnews\u002Fdatabricks-query-foundation-models-guide-zh\">同一套\u003C\u002Fa>流程，讓 spike-tokenizing 模型不只看有標籤的資料，也能\u003Ca href=\"\u002Fnews\u002Fgithub-copilot-sdk-lets-apps-run-agents-zh\">直接\u003C\u002Fa>利用無標註神經訊號。\u003C\u002Fp>\u003Ch2>這篇在解什麼問題\u003C\u002Fh2>\u003Cp>先講白話版。很多神經解碼系統，都需要行為標籤來訓練。問題是，這些標籤很貴，也很難收集。尤其是你要換新受試者、新 session，或新錄製條件時，常常手上有一堆神經資料，卻只有很少的對應標註。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784181774015-4mmb.png\" alt=\"MOJO 用無標註資料強化神經解碼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>摘要指出，近年的 spike-level tokenization 已經幫上多 session pretraining 和解碼品質。不過這類模型還是偏向純監督式訓練，不能直接吃無標註資料。這就讓它在真實場景裡少了一大塊可用訊號。\u003C\u002Fp>\u003Cp>MOJO 的目標，就是把這個缺口補起來。它不是把 self-supervised learning 和 supervised learning 分開做，而是把兩者合在同一個訓練框架裡，讓無標註神經資料也能進入訓練迴圈。\u003C\u002Fp>\u003Ch2>MOJO 到底怎麼運作\u003C\u002Fh2>\u003Cp>這個方法的核心很直觀：一邊做監督式學習，讓模型學會預測目標行為；另一邊做 masked autoencoding，讓模型去補回被遮住的神經輸入片段。\u003C\u002Fp>\u003Cp>這個遮罩重建\u003Ca href=\"\u002Fnews\u002Fanthropic-model-task-persistence-tuning-zh\">任務\u003C\u002Fa>的價值，在於它不需要標籤。模型只要看神經資料本身，就能學到資料裡的結構。換句話說，原本會被丟掉的無標註錄音，現在變成有用的訓練訊號。\u003C\u002Fp>\u003Cp>因為 MOJO 是建立在 spike-tokenizing 模型上，所以它延續的是既有的神經表徵學習路線，而不是另起爐灶。差別在於，它不把訓練侷限在有標籤樣本，而是把無標註資料也納進來。\u003C\u002Fp>\u003Cp>摘要還提到，這個額外的 SSL 目標，不只幫助解碼，還讓神經表徵更好，因此在腦區分類和 spike 統計預測上也有幫助。這些任務不是主要優化目標，卻能側面反映模型學到的表示更完整。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>作者把 MOJO 放到三組 spiking 資料集上測試：猴子運動皮質的 reaching、跨多腦區的小鼠 vision 與 decision-making 任務。另外還測了人類 ECoG 的 speech 資料，這點很重要，因為它把方法從 spikes 推到另一種神經模態。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784181772116-g2bl.png\" alt=\"MOJO 用無標註資料強化神經解碼\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>摘要的結論很一致：MOJO 比純監督訓練的模型表現更好。特別是在標籤稀少的情況下，優勢更明顯，尤其是 few-shot finetuning，也就是只拿到很少新 session 標籤時的微調表現。\u003C\u002Fp>\u003Cp>論文也主張，MOJO 不只在 spikes 上有效，還能做到和專為連續訊號設計的 neuro-foundation models 相近的表現。這代表它的訓練想法，不是只對某一種資料格式有效。\u003C\u002Fp>\u003Cp>不過要注意，摘要沒有公開完整 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 數字。也就是說，這份摘要能讓你知道方向是正的，但還看不到具體提升幅度、誤差下降多少，或各任務的詳細分數。\u003C\u002Fp>\u003Cul>\u003Cli>摘要列出 3 組 spiking 資料集。\u003C\u002Fli>\u003Cli>另外也測了人類 ECoG speech 資料。\u003C\u002Fli>\u003Cli>優勢主要出現在 few-shot finetuning 與標籤不足場景。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>為什麼開發者要在意\u003C\u002Fh2>\u003Cp>如果你在做 neural decoder，這篇最實際的訊號是：不要把無標註神經資料當成沒用的資料。對 BCI、closed-loop 實驗，或任何需要把神經活動轉成預測結果的流程來說，無標註資料通常比乾淨標籤更容易累積。\u003C\u002Fp>\u003Cp>這代表訓練策略可以改。不是每次都從少量標註硬撐，而是先把大量未標註錄音納入表徵學習，再用少量標籤做下游任務微調。MOJO 提供的是這種混合式訓練的具體做法。\u003C\u002Fp>\u003Cp>對想做 neural foundation models 的團隊來說，這篇也有一個訊號很清楚：預訓練和下游解碼不一定要分成兩條路。摘要把這個結果描述成更可擴展的資料使用方式，意思就是它朝向更像 foundation model 的訓練習慣。\u003C\u002Fp>\u003Cp>工程上真正值得注意的，不只是準確率，而是訓練配方本身。masked autoencoding 加上 supervised objective，再套到 spike-tokenizing 模型上，最後還能延伸到另一種模態，這讓它比較像一種可重用的訓練模式，而不是單點改良。\u003C\u002Fp>\u003Ch2>限制與還沒回答的問題\u003C\u002Fh2>\u003Cp>這篇摘要的限制也很明顯。第一，它沒有公開 benchmark 數字，所以我們無法從摘要直接判斷提升幅度有多大。\u003C\u002Fp>\u003Cp>第二，它沒有交代訓練成本、推論成本，或 joint objective 會不會讓流程變複雜。對真實部署來說，這些往往和準確率一樣重要。\u003C\u002Fp>\u003Cp>第三，摘要雖然涵蓋三個 spiking 資料集和一個人類 ECoG 場景，但這仍然只是神經解碼領域的一部分。方法能不能穩定泛化到更多錄製條件、更多任務類型，摘要沒有直接回答。\u003C\u002Fp>\u003Cp>所以比較務實的結論是：MOJO 證明無標註神經資料可以被正式納入訓練，而且這樣做看起來有助於標籤稀少時的泛化。對神經介面和解碼系統團隊來說，這是一個很實用的訓練方向。\u003C\u002Fp>\u003Cp>如果你的 decoder 需要撐過新 session、新受試者，或新的錄製條件，那麼把監督式學習和 self-supervised learning 混在一起，可能比只靠標註資料更合理。MOJO 提供的就是這個方向的具體證據。\u003C\u002Fp>","MOJO 把 masked autoencoding 和監督式訓練合在一起，讓 spike-tokenizing 神經解碼器能吃進無標註資料，在標籤很少時表現更穩。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.14086",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784181774015-4mmb.png","research","zh","10ffae7d-4474-45a7-87ee-d7a3f348c5de",[17,18,19,20,21],"神經解碼","masked autoencoding","spike-tokenizing","self-supervised learning","BCI",[23,24,25],"MOJO 把無標註神經資料納入訓練，補上純監督式方法的缺口。","它在標籤稀少與 few-shot finetuning 場景下表現更好。","摘要沒有公開完整 benchmark 數字與訓練成本細節。",0,"2026-07-16T06:02:24.378249+00:00","2026-07-16T06:02:24.362+00:00","b770accc-2260-459c-bc40-d6dd103c5398",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"mojo-unlabeled-training-neural-decoding-en","MOJO adds unlabeled training to neural decoding","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"13278648-00b8-418e-b608-76550f390167","metaperch-metadata-bioacoustics-foundation-models-zh","MetaPerch把錄音資料變成訓練訊號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784185380381-uzad.png","2026-07-16T07:02:33.406877+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"5261f454-5b1f-4794-bbb5-e70b11a2ff2e","ot-ica-wasserstein-linear-ica-zh","OT-ICA 用 Wasserstein 距離做 ICA","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784183583515-jfy3.png","2026-07-16T06:32:38.802999+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"dcf89f35-0a75-4587-9bb3-2b477a9fe7b2","claude-j-space-not-a-black-box-zh","J-space 證明大模型不是黑箱，而是可讀的內部系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784100783068-18zd.png","2026-07-15T07:32:38.727346+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"87d984ef-084b-41cc-b339-187275e9e8f7","terrazero-zero-demo-self-play-driving-zh","TerraZero：零示範自玩學開車","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784099000811-9l5n.png","2026-07-15T07:02:41.125362+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"33c9a48b-04f6-48ca-a64d-88f72589796e","seriality-gap-video-diffusion-models-zh","影片擴散模型的串行落差","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784097182922-bzgd.png","2026-07-15T06:32:36.278574+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"ea384347-8519-4c82-9f10-11844c31541d","e3-ai-agents-task-complexity-zh","E3 讓 AI 先判斷任務大小","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784095393494-27zm.png","2026-07-15T06:02:35.952406+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]