语言模型用推理编写EEG与ECG网络权重
AI 总结
论文《Mixed Signals》将权重空间编程应用于基于EEG和ECG数据训练的神经网络,使语言模型能够通过推理读取、调试并重写网络权重,而不依赖梯度下降。在一项实验中,模型使用少至常规训练六分之一的受试者便达到了相当效果;Claude Opus 5.5编写的网络在仅使用同一组五名受试者时,超过了传统EEG流水线。作者同时指出,该方法无法可靠改进训练良好的分类器,也无法仅凭权重判断网络所执行的任务。
深度见解
结果表明,语言模型或许能直接构建用于生物信号任务的小型神经网络,包括边缘设备和可穿戴场景,但这些发现仅来自单篇预印本,仍需进一步验证。
Computer Science > Machine Learning
arXiv:2611.13758 (cs)
[Submitted on 10 Nov 2026]
Title:Mixed Signals: Weight-Space Programming for EEG and ECG
Authors:Dara Varam, Taraneh Aminosharieh Najafi, David Atienza
View a PDF of the paper titled Mixed Signals: Weight-Space Programming for EEG and ECG, by Dara Varam and 2 other authors