arXiv cs.AI· Carlo Alberto Barbano (MIND), Demian Wassermann (MIND)·· 11 小时前AI 评分34
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
AI 导读
BrainPFN 是一种先验数据拟合网络（PFN），用于从功能连接矩阵预测连续行为评分，推理时只需单次前向传播，无需按评分或队列重新拟合。它基于约 7k 个真实 FC 矩阵构建领域先验并采样十亿条合成样本进行元训练，在四个独立队列的小样本预测上优于 KRR，并领先预训练规模大 4-9 倍的近期基础模型。
正文 · AI 翻译
摘要：从功能磁共振成像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：必须为每个评分和队列分别拟合和调优模型，模型无法跨数据集迁移，而且当仅有少量受试者可用时（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浓厚，但尚无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，一种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传入网络，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，并领先于近期以四到九倍更大规模预训练的基础模型。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。我们公开了该训练池以及代码和检查点，表明一个规模适中的公开可用池可以匹敌甚至超越在生物银行规模上训练的模型。
| 主题： | 神经元与认知（q-bio.NC）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.06934 [q-bio.NC] |
| （或 arXiv:2611.06934v1 [q-bio.NC] 为本版本） | |
| https://doi.org/10.48550/arXiv.2611.06934 由 DataCite 颁发 arXiv DOI |
提交历史
来自：Carlo Alberto Maria BARBANO [查看电子邮件] [通过 CCSD 代理]
[v1]
2026年9月29日星期二 09:29:17 UTC（3,572 KB）
来源：arXiv cs.AI · arxiv.org