fMRI

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。