arXiv q-bio.NC（Neurons and Cognition）·· 2 小时前精选AI 评分58
Lin Du 团队提出 REALM：用回顾性知识蒸馏实现因果 LFP 行为解码
REALM: Retrospective Encoder Alignment for LFP Modeling
AI 导读
Lin Du 团队提出 REALM，一个面向因果 LFP 行为解码的回顾性知识蒸馏框架，把预训练的多会话双向 LFP 教师模型的知识迁移到紧凑的因果学生模型。团队先用连续掩码自编码（CMAE）跨多个记录会话预训练双向 Mamba-2 教师模型，再以表征对齐与自编码的联合目标蒸馏到因果学生模型。
AI 要点
团队
第一作者 Peicheng Wu，末位作者 Lin Du，共 4 位作者。
主要结果
在无标签与微调两种流程下平均准确率均为对比解码器最高，显著优于包括 CrossModalDistill 在内的各基线。
解决什么问题
LFP 解码器准确率偏低且依赖非因果架构、无法直接实时部署，REALM 用因果模型做 LFP 行为解码。
方法
先跨多个记录会话用连续掩码自编码预训练双向 Mamba-2 教师，再把表征蒸馏进紧凑因果学生模型。
局限
从研究设计看，为离线数据上的方法研究，未报告在线闭环或植入式实时部署验证。
AI 依据原文整理，未经人工核对。
AI 推荐理由
原文给出与 CrossModalDistill 的参数量和预训练时间对比，可据此判断纯 LFP 因果解码在植入式设备上的可行性。
来源：arXiv q-bio.NC（Neurons and Cognition） · arxiv.org