近日，Nature子刊Nature Neuroscience接收了一項由字節跳動海外技術團隊與新加坡國立大學等機構合作的研究成果。Nature Neuroscience是神經生物學領域最頂級的刊物之一。

這項研究成果首次將AI元學習引入到神經科學及醫療領域，在臨床應用方面具有巨大潛能。

字節跳動參與的研究成果入選了Nature子刊

這里的“元學習”，是指在沒有任何人為干預的場景下，機器能自發適應環境并且進化，學會處理遇到的新任務。

而“神經科學”，用通俗的話來說，則是一種“腦科學”。腦成像技術是其中一個重要領域。它能夠直接觀察大腦在信息處理、應對刺激時的神經化學變化，為疾病診斷和治療提供重要參照。

腦磁共振成像

理論上，基于腦成像的機器學習模型，可以預測個人意識、情緒等可觀測特征，這種特征就叫做表型。

訓練這些模型，往往需要大規模的數據。雖然現在已經有英國生物銀行（UK Biobank）等大規模人類神經科學數據集，但是在研究臨床人群或解決重點神經科學的問題時，小規模數據樣本依舊是常態。

在數據量有限的情況下，科學家很難訓練出一個可靠的機器學習模型來預測個人的表型，這一狀況制約了個人精準醫療。

字節跳動技術團隊發現，小數據集當中的某些獨特表型，可能與大規模數據集當中的某些預先存在的特定表型相關?；谶@種相關性，團隊提出名為元匹配（meta-matching）的方法。

這一方法可以將在大規模腦成像數據集上所訓練的機器學習模型，遷移到一個小規模數據集上，從而訓練出更可靠的模型，以更準確地預測新的表型。

新方法在英國生物銀行（UK Biobank）和人類連接組計劃（Human Connectome Project）的數據集上進行了測評。

HCP數據集上的表型示例

結果顯示，新方法在這兩個數據集的評估中顯示出了有效性，且準確率顯著超過經典的KRR方法。

在BioBank測試集上性能超過經典的KRR

在HCP小規模新數據集上顯著超過KRR

這項研究由字節跳動智創基礎研究團隊參與完成。

字節跳動技術團隊在從計算機視覺到自然語言處理，再到機器人等前沿探索的多個領域，均有持續投入。

2021年7月，字節跳動技術團隊研發出了針對手機端720p/1080p 35fps以內視頻的超低功耗超分辨率算法，為數億用戶帶來高清畫質播放體驗。

2021年8月，字節跳動AI Lab的機器翻譯技術論文當選國際頂級學術會議ACL 2021年度“最佳論文”。這是ACL成立59年以來，中國科學家團隊第二次贏得最高獎項。

2021年11月，字節跳動、約翰霍普金斯大學等機構組成的聯合團隊提出iBOT。iBOT是一種視覺大模型無監督預訓練方法，適用于計算機視覺領域，在十幾類任務和數據集上，均達到了業界當前最高水平。

技術推陳出新，字節跳動不止。