基于自回归流匹配的神经动力学概率预测

预测对自然刺激作出的神经活动是理解脑动力学并实现下游神经技术应用的关键挑战。本文引入基于自回归流匹配（AFM）的生成式预测框架，用于建模神经动力学。基于最近在传输基于生成模型方面的进展，我们的方法从多模态感官输入对神经响应进行概率预测。具体而言，我们学习给定过去神经动力学和同步感官输入的未来神经活动条件分布，显式地将神经活动建模为未来状态取决于最近神经历史的随时间演化过程。我们在Algonauts项目2025年挑战功能性磁共振成像数据集上进行评估，使用主题相关的模型。AFM在预测短期局部血氧水平依赖性（BOLD）活动方面，显著优于非自回归流匹配基线和官方挑战常规线性模型基线，显示出 improved的泛化和广泛的皮层预测性能。消融分析表明，过去BOLD动力学的获取是性能的主要驱动因素，而自回归分解在短视角、信息丰富的条件下仅提供一致的、有限的性能提升。总体而言，这些发现将自回归流基于的生成模型定位为短期神经动力学概率预测的有效方法，展现出在闭环神经技术中具有前景的应用潜力。