FPED：面向可解释脑解码的功能网络先验引导的混合专家框架
计算机视觉与模式识别
2026-05-20 v1
摘要
从功能磁共振成像(fMRI)进行视觉图像重建是脑解码中的一项基本任务，为理解人类感知机制和发展先进的脑机接口(BCI)提供了关键途径。然而，当前大多数方法仅将来自局部视觉皮层的fMRI信号展平为一维向量，直接映射到诸如对比度语言-图像预训练(CLIP)等潜在空间。这一范式不仅破坏了脑部内在网络拓扑结构，导致神经科学可解释性受限，还忽略了其他分布式功能网络在处理高层次视觉语义方面的协同贡献。为此，我们提出了FPED——一个功能网络先验引导的混合专家(MoE)框架，用于可解释的脑解码。FPED显式地将不同的功能脑网络建模为专门的专家，并采用自适应路由来捕获其对视觉语义理解的互补贡献。与传统的均匀解码范式不同，我们的框架纳入了来自神经生物学的先验知识，以实现结构化和可解释的网络级表示学习。实验结果表明，FPED仅使用0.68B参数即可实现高度具竞争力的语义重建性能。所学到的路由动力学揭示了功能脑网络与特定模式语义处理之间的生物学上有意义的对应关系，为透明的神经科学可解释性提供了可能。这表明，面向脑网络感知的专家建模是连接神经解码与生物学启发式人工智能的有前景的方向。
引用
@article{arxiv.2605.19279,
title = {FPED: A Functional-Network Prior-Guided Mixture-of-Experts Framework for Interpretable Brain Decoding},
author = {Yudan Ren and Pengcheng Shi and Zihan Ma and Xiaowei He and Xiao Li},
journal= {arXiv preprint arXiv:2605.19279},
year = {2026}
}
备注
15 pages,4 figures