通过自监督学习构建脑与基础模型之间的桥梁
机器学习
2025-06-23 v1
摘要
基础模型（Foundation Models，简称 FMs）由自监督学习（Self-Supervised Learning，简称 SSL）驱动，正在人工智能领域重塑能力，展现出在自然语言处理和计算机视觉等领域的卓越性能。这些进展为脑信号分析带来了变革性的机遇。不同于传统监督学习受限于标注神经数据稀缺的问题，SSL 通过从无标签数据中学习有意义的表征，为解决脑信号的独特挑战（包括高噪声水平、主体间变异性和低信噪比）提供了有前景的解决方案。本综述系统性地审阅了通过 SSL 创新应用于脑信号与基础模型间的新兴领域。它探讨了关键的 SSL 技术、脑特有基础模型的开发、其对下游任务的适配，以及在多模态 SSL 框架中将脑信号与其他模态集成的整合方式。综述还涵盖了常用评估指标和支持比较分析的基准数据集。最后，本文概述了关键挑战并展望了未来研究方向。本工作旨�为研究人员提供对这一快速演化领域的结构化理解，并为开发由自监督技术驱动的通用脑基础模型提供路线图。
引用
@article{arxiv.2506.16009,
title = {Bridging Brain with Foundation Models through Self-Supervised Learning},
author = {Hamdi Altaheri and Fakhri Karray and Md. Milon Islam and S M Taslim Uddin Raju and Amir-Hossein Karimi},
journal= {arXiv preprint arXiv:2506.16009},
year = {2025}
}