fMRI

该论文提出了一个框架，通过从行为中推导出的语义维度，将多模态大语言模型（MLLM）与人类相似性判断的认知结构对齐，并借助功能磁共振成像（fMRI）数据的探照灯式表征相似性分析（RSA），验证了表征层面人机对齐程度的提升。

CFBrainAug 提出一种模块度约束的反事实脑网络增强框架，将数据增强与反事实解释统一起来，在 ABIDE I 数据集上以轻量级 SVM 实现了具有竞争力的自闭症诊断精度与内在可解释性。

弗吉尼亚理工大学研究人员在 Nature Metabolism 发表研究发现，营养成分完全匹配的高度加工与最低加工餐食会引起不同的代谢和大脑奖赏区域反应，高度加工食品会导致更多胰岛素分泌并改变脑部活动。

ICLR 2026 论文提出 Brain-IT 系统，可通过 fMRI 脑活动重建人眼所见图像，采用语义与结构双分支引导扩散模型，并能以新受试者仅约1小时的数据实现迁移学习。

本文对fMRI基础模型进行了一项扩展性研究，揭示了模型性能取决于预训练数据规模、模型规模和训练时长的组合，而不仅仅是计算资源。

MnemoDyn是一个基于动力系统的模型，在40K fMRI序列上训练，用于学习静息状态动力学，在重建质量上优于基于Transformer的方法，并在多样化人群中泛化良好。

本文介绍了一种零样本时间序列基础模型，应用于功能MRI与合成信号的预测和因果关系分析。

本文追踪了使用不同学习规则（反向传播、反馈对齐、预测编码、STDP）的监督训练如何降低神经网络表征与早期视觉皮层fMRI数据之间的对齐度，发现未训练的网络在V1对齐度上通常达到或超过训练后的网络。

本文提出DSFM，一种新颖的生成框架，利用小波分解和谱流匹配合成逼真的fMRI时间序列，用于脑疾病识别，解决了数据稀缺和非平稳性挑战。

研究基于神经积分算子的fMRI编码和解码任务模型，重点关注非局部时空上下文的作用，并表明更大的时间窗口可提升跨数据集的性能。