@iScienceLuvr：学习稀疏潜在预测基础模型用于多模态神经影像 本文介绍了Neuro-JEPA，一个基…

X AI KOLs Following 论文
multimodal neuroimaging foundation-model mixture-of-experts brain-mri latent-predictive

摘要

本文介绍了Neuro-JEPA，一个基础模型，它使用潜在预测目标和混合专家架构来编码跨T1w、T2w和FLAIR序列的脑部MRI扫描，并在包含155万次扫描的大型数据集上进行了预训练。

学习稀疏潜在预测基础模型用于多模态神经影像 本文介绍了Neuro-JEPA，一个基础模型，它结合了潜在预测目标与混合专家架构，用于编码核心T1w、T2w和流体抑制FLAIR成像（FLAIR）的脑部MRI。 Neuro-JEPA在1,551,862次扫描（来自428,647项研究）上进行了预训练，经过针对三种核心结构脑部MRI序列的模态特定预处理和数据整理。
查看原文
查看缓存全文

缓存时间: 2026/06/17 03:45

学习稀疏潜在预测基础模型用于多模态神经影像

本文介绍 Neuro-JEPA，一个将潜在预测目标与混合专家架构相结合的基础模型，用于编码核心 T1w、T2w 以及液体衰减反转恢复（FLAIR）序列的脑部 MRI。

Neuro-JEPA 在 428,647 次研究的 1,551,862 次扫描上进行了预训练，这些数据经过了模态特异性预处理，并对三种核心结构性脑 MRI 序列进行了数据筛选。

相似文章

AeroJEPA：学习用于可扩展3D气动场建模的语义潜在表示

arXiv cs.LG

本文介绍了AeroJEPA，一种用于可扩展3D气动场建模的联合嵌入预测架构。它通过预测流场的语义潜在表示，解决了当前代理模型在可扩展性和设计实用性方面的局限性，从而实现了高效的高保真分析和设计优化。

SJEPA：学习具有混合符号-神经预测器的优雅潜在动力学

arXiv cs.LG

SJEPA 引入了一种无需重建的 JEPA 框架，学习混合符号-神经潜在动力学，旨在获得最简单且充分的预测表示。实验表明，与事后拟合相比，它能发现更简单的符号动力学，并具有更低的展开误差，同时在语法错误设定下控制符号-神经分配。