论文页面 - 元学习上下文使无需训练即可跨被试脑解码成为可能

来源：https://huggingface.co/papers/2604.08537
作者：,,,,,,,,,,,,

摘要

一种元优化方法，仅凭少量图像-脑激活示例即可快速推断个体独特的神经编码模式，无需跨被试、跨扫描仪微调，实现可泛化的语义视觉解码。

视觉解码（https://huggingface.co/papers?q=Visual%20decoding）一直是计算机视觉与神经科学交叉的核心难题，需要把神经表征与视觉计算模型桥接起来。领域共同目标是获得可泛化的跨被试模型。主要障碍在于个体间神经表征差异巨大，过去只能为每位被试单独训练或微调专属模型。为此，我们提出一种元优化的语义视觉解码方法（https://huggingface.co/papers?q=visual%20decoding）基于fMRI（https://huggingface.co/papers?q=fMRI），无需任何微调即可泛化到新被试。只需给定少量来自新个体的图像-脑激活示例，模型即可迅速推断其独特神经编码模式，实现稳健高效的视觉解码。该方法显式针对新被试编码模型的上下文学习（https://huggingface.co/papers?q=in-context%20learning）进行元优化，并通过分层推断（https://huggingface.co/papers?q=hierarchical%20inference）反转编码器完成解码：

1. 对多个脑区，利用多刺激-响应对构建上下文，估计每个体素的视觉响应编码器参数（https://huggingface.co/papers?q=encoder%20parameters）；
2. 再以编码器参数与多体素响应值为上下文，执行聚合式功能反转（https://huggingface.co/papers?q=functional%20inversion）。

我们在不同视觉骨干网络上展示了强大的跨被试、跨扫描仪泛化能力，无需重训练或微调，也不需要解剖对齐或刺激重叠。这项工作向非侵入式脑解码的通用基础模型迈出了关键一步。

查看 arXiv 页面（https://arxiv.org/abs/2604.08537）
查看 PDF（https://arxiv.org/pdf/2604.08537）
GitHub8（https://github.com/ezacngm/brainCodec）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.08537）

在本地调用：

hf papers read 2604.08537

未安装最新 CLI？
curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型 0

暂无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2604.08537 即可在此页面显示。

引用该论文的数据集 0

暂无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2604.08537 即可在此页面显示。

引用该论文的 Spaces 0

暂无 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2604.08537 即可在此页面显示。

收录该论文的合集 0

暂无合集包含此论文

创建合集（https://huggingface.co/new-collection）并添加该论文即可在此页面显示。