BrainPFN：基于先验数据拟合网络的可摊销脑行为预测
BrainPFN: Amortized Brain-Behaviour Prediction via Prior-Data Fitted Networks
预印本 · 尚未经过同行评审
从功能磁共振的功能连接矩阵预测行为分数，通常要为每个分数和队列单独拟合核岭回归，样本少时精度下降明显。作者构建了基于约 7 千个真实功能连接矩阵的领域先验，从中采样十亿个合成样本元训练 BrainPFN，推理时只需一次前向传播，无需按分数或队列重新拟合。在四个独立队列上，该方法在小样本预测上优于核岭回归，并超过预训练规模大四到九倍的近期基础模型；作者公开了元训练池、代码与检查点。该预印本尚未经同行评审。
用约 7 千个真实功能连接矩阵构建先验，生成十亿合成样本元训练，单次前向即可预测行为分数，在四个队列的小样本上优于核岭回归。
从功能 MRI 预测行为表型的标准方法，是在功能连接（FC）矩阵上应用核岭回归（KRR）。然而，这种方法存在局限：必须为每个评分和每个队列分别拟合和调优模型，模型无法跨数据集迁移，而且当只有少量被试可用时（这在临床或认知研究中很常见），准确率会急剧下降。尽管人们对开发大脑基础模型的兴趣日益增加，但尚无一个模型在行为预测上持续优于 KRR；大多数报告的提升来自更容易的目标，如年龄、性别或诊断，而非连续的行为评分。我们提出 BrainPFN，一个用于大脑行为回归的先验数据拟合网络。BrainPFN 在一个由约 7k 个真实 FC 矩阵构建的领域特定先验上进行元训练，并从中采样十亿个合成训练样本。在推理时，只需将带标签的上下文通过一次前向传播送入网络，无需针对每个评分或每个队列重新拟合。在四个独立队列中，BrainPFN 在小样本预测上优于 KRR，并领先于近期在四到九倍更大规模上预训练的基础模型。我们的元训练池汇总自开放存储库，其规模仅为竞争模型背后语料库的一小部分，而后者大多受限于英国生物银行等严格的数据使用协议。我们公开释放该训练池以及代码和检查点，表明一个适度的、公开可用的训练池可以匹配甚至超越在生物银行规模上训练的模型。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Neurons and Cognition · arxiv.org