NeurIPS 2025 | 上下文元学习实现不微调跨被试脑活动预测

本文作者来自香港大学、香港中文大学、卡内基梅隆大学、哈佛大学、哥伦比亚大学等多所顶尖高校。 其中论文第一作者是喻牧泉，来自香港中文大学，主要研究方向为计算神经科学与脑机接口。通讯作者 为罗逸飞（Andrew F. Luo），香港大学助理教授。 人类高级视觉皮层在个体间存在显著的功能差异，而构建 大脑编码模型 （brain encoding models） —— 即能够从视觉刺激（如图像）预测人脑神经响应的计算模型 —— 是理解人类视觉系统如何表征世 界的关键。传统视觉编码模型通常需要为每个新被试采集大量数据（数千张图像对应的脑活动），成本 高昂且难以推广。尽管现有方法可利用预训练视觉模型（如 CLIP ）提取图像特征，并通过线性回归拟 合脑响应，这类模型仍严重依赖大量被试内数据，在少样本甚至零样本条件下难以快速适应新个体，限 制了其在临床、个性化神经科学等现实场景中的应用。 为解决这一挑战，BraInCoRL（Brain In-Context Representation Learning）提出一种 基于元学习 的上下文Transformer跨被试脑编码模型 ，仅凭少量示例图像及其对应的脑活动数据，即可 无需 ...