神經資料的自監督預訓練

透過解一個不需行為標記的前置任務，從未標記的神經紀錄中學習表徵：遮罩並重建被隱藏的活動、預測下一個時間步，或以對比目標塑造嵌入的幾何。其動機是經濟性的：對齊且已標記的神經資料（活動與良好量測的行為配對）稀少且昂貴，而原始紀錄則持續累積，因此把學習的主體壓在未標記資料上。

前置任務族與機器學習其他領域相呼應。生成與重建型目標（Neural Data Transformer 的遮罩放電率建模）對留出的活動擬合一個概似；對比型目標（BENDR 的 wav2vec 式方案、CEBRA）在不重建的情況下把相關樣本拉近；預測型目標則預報未來活動。相對於從零訓練的增益確實存在，但通常有限且視任務而定，當目標任務的標記資料本已充足時，增益會縮小。