标签
本文介绍了Augmented Sparse Encoding Models，利用语言模型的稀疏特征解读大脑对语言的反应，并在高场7T fMRI数据上进行了验证。该模型恢复了已知的神经调谐特性，并发现了一个新的体素群体，该群体对与人相关的内容具有调谐特性。
本文追踪了不同学习规则（反向传播、反馈对齐、预测编码、STDP）在训练过程中如何影响CNN表征与人类fMRI的对齐。研究发现反向传播在一个epoch内摧毁V1对齐，而局部规则则保持该对齐，这表明构建高级表征与保留早期视觉特征之间存在权衡。
CortexMAE 是一个 fMRI 基础模型家族，基于 2.1K 小时的开放 fMRI 数据训练，已被 ICML 接收。该发布还包括 Brainmarks，一个用于评估此类模型的开放基准套件。
本文介绍了BrainSimSiam，一种轻量级自监督框架，利用孪生网络从仅正样本对中学习鲁棒的fMRI表征，即使在有限数据下也能在下游任务上取得强劲表现。
Brain-IT-VQA 框架利用 Transformer 架构从 fMRI 信号中解码视觉内容，性能优于此前的方法。作者还引入了 NSD-VQA，这是一个新数据集，具有更丰富的标注，用于评估基于 fMRI 的视觉问答。
提出FM-fMRI，一种事件条件流匹配模型，能够从静息态fMRI合成任务fMRI时间序列，在Human Connectome Project和内部自闭症队列上实现了优于基线的频谱和连接一致性，并改进了下游自闭症分类性能。
本文利用fMRI数据和多种LLM，研究了英语、中文和法语中的大脑-LLM对齐，发现训练语言主导性和类型距离（而非英语固有的优势）驱动了对齐模式。
谷歌发布MoGen模型用合成神经元将连接组重建错误率降低4.4%，节省157人年校对时间；同时AI已能从fMRI解码思想，便携式脑传感器普及引发脑隐私问题。
本文表明，尽管fMRI的时间分辨率较低，但在fMRI数据上微调语言编码模型能提升其对ECoG记录中神经活动的预测能力。研究结果表明，丰富的'慢速'fMRI数据可以增强针对'快速'ECoG数据的模型。
本文研究了是否可以通过无监督几何方法对齐不同被试视觉皮层的fMRI表示，发现了个体间近似等距结构的证据，将柏拉图式表示假说扩展到人脑。
NeuralSet 是一个全新的 Python 包，为 fMRI、EEG、MEG、ECoG、spike 等多模态神经 AI 数据，以及文本、音频、视频和图像，提供快速、可扩展的预处理与嵌入工具。
本文研究了 Brain Score（一个将语言模型表征与人类阅读时 fMRI 激活进行比较的指标）是否真正捕捉到类似人类的语言处理，或仅反映结构相似性。研究人员在多种自然语言和非语言结构数据（基因组、Python、嵌套括号）上训练语言模型，发现在不同语言和非语言序列上训练的模型达到相似的 Brain Score 性能，这表明该指标可能不足以区分人类特有的处理方式。
# 论文页面 - 元学习上下文学习实现无需训练的跨被试脑解码 来源：[https://huggingface.co/papers/2604.08537](https://huggingface.co/papers/2604.08537) 作者：,,,,,,,,,,,,, ## 摘要 一种元优化方法通过少量图像-脑示例快速推断个体独特神经编码模式，无需跨被试及扫描仪微调，即可实现可泛化的语义视觉解码。[视觉解码](https://huggingface.co/papers?q