NeurIPS：基于球形脑解码的神经解剖归纳先验
人工智能
2026-05-26 v1 计算机视觉与模式识别
摘要
当前 fMRI 解码器面临性能与忠实性之间的权衡，其中高效 ID 编码器在几何忠实的表面基于模型方面占优势。我们认为这部分原因可能源于表面标记化效率低下，以及未充分利用解剖结构作为预测信号。我们提出 NeurIPS 框架，通过将解剖变异从扰动因素转变为强大的归纳先验来提高表面解码性能。NeurIPS 融合两种创新：面向高效几何编码的选择性 ROI 球形标记化器（SRST），以及结构引导的混合专家（SG-MoE），显式建模个体解剖结构。实验表明，在自然场景数据集上，NeurIPS 为表面解码器建立了新的最佳性能，并实现了与强 1D 基线相当的性能。这一效率尤为突出，模型收敛速度显著提升（10 个 epoch vs. 600 个 epoch），这使得能够仅用 20% 的数据实现对新主体的快速适应，并确保随着训练队列规模的扩大而保持稳健性。消融实验提供了因果证据，表明这些提升是由模型利用皮层特征实现的，而非记忆受试者 ID。通过利用解剖先验，NeurIPS 为面向稳健、可扩展的脑解码提供了原则且可扩展的路径。
引用
@article{arxiv.2605.24993,
title = {NeurIPS: Neuro-anatomical Inductive Priors for Sphere-based Brain Decoding},
author = {Sijin Yu and Zijiao Chen and Zhenyu Yang and Zihao Tan and Jiakun Xu and Zhongliang Liu and Shengxian Chen and Wenxuan Wu and Xiangmin Xu and Xin Zhang},
journal= {arXiv preprint arXiv:2605.24993},
year = {2026}
}
备注
International Conference on Machine Learning (ICML) 2026