面向分布外脑动态的上下文先验流匹配
Flow Matching with In-Context Priors for Out-of-Distribution Brain Dynamics
预印本 · 尚未经过同行评审
神经时间序列的生成模型此前多限于类别条件，难以做组合与零样本泛化。作者提出 PINC-Flow，一种逐时间步条件的扩散 Transformer，把语言描述和可选空间先验注入上下文，在数百个留出任务条件上评估生成效果，并考察其与训练流形的关系。模型仅从语言即可恢复各任务的特异性脑区招募，空间先验可在语言单独失效处补足，代码与预训练模型已公开。
提出逐时间步条件扩散 Transformer，用语言与可选空间先验在数百个留出任务条件下生成全皮层功能磁共振脑动态。
流匹配与扩散模型使得从图像到蛋白质等跨领域的条件生成成为可能，近期更扩展到分布外情境。然而，神经时间序列的生成模型在很大程度上仍局限于类别条件化，无法实现组合式与零样本泛化。在本工作中，我们提出 PINC-Flow，一种逐时间步条件化的扩散 Transformer，通过上下文注入组合式语言与可选的空间先验，在未见过的认知任务中生成逼真的 fMRI 脑动力学。这种零样本生成可通过在实证验证之前对新颖认知实验进行计算机模拟设计与评估，从而推动反事实神经科学。借助该模型，我们在数百个留出任务条件下进行评估，并刻画其相对于训练流形的预测性能。仅凭语言，模型即可恢复各任务间区域特异性的募集以及留出的空间激活模式。当空间先验可用时，它通过将生成锚定在仅凭语言会退化的任务空间区域，来补充文本通路，同时保留反事实任务设定所需的组合结构。据我们所知，这是首个针对未见认知任务的全皮层 fMRI 动力学生成模型，推动了反事实神经科学与数据驱动的实验设计。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Neurons and Cognition · arxiv.org