脑机百科消息(bciwiki.com)，一种名为MOJO的训练框架在标签数据稀缺时仍能保持神经解码器的准确性，甚至在少样本微调中表现优于纯监督模型。该研究由Ximeng Mao、Nanda H. Krishna、Avery Hee-Woon Ryoo、Matthew G. Perich和Guillaume Lajoie于2026年7月15日上传至arXiv预印本平台，尚未经同行评审。
MOJO（Masked autOencoder-based JOint training）将掩码自编码的自监督学习与监督目标结合，用于脉冲级神经数据解码。研究者在猴子运动皮层（伸手任务）和小鼠多脑区记录（视觉与决策任务）共三个尖峰数据集上评估了MOJO，结果显示其性能优于纯监督训练模型。当训练标签有限时，尤其是在新会话中仅提供少量标签数据的少样本微调场景下，提升尤为明显。
此外，融入自监督学习还使神经元表征更具可解释性，在脑区分类和尖峰统计预测任务上表现更好，而这些任务并未显式优化目标。研究还表明，MOJO可推广到人类语音期间的皮层脑电数据，继续优于纯监督模型，并达到为连续信号设计的神经基础模型的性能水平。