BrainTaskonomy：学习如何在 fMRI 基础模型中进行预训练和迁移内容

fMRI 基础模型越来越多地聚合跨大脑状态、队列和采集设置的异质数据，但预训练域通常被视为平面混合物，下游任务是独立调整的。我们研究测量的学习关系是否可以在不修改主干的情况下组织两个阶段。在预训练期间，轻量级 Brain-DiT 代理会估计十个 fMRI 领域的难度和定向促进，从而产生优先级引导的累积领域课程，并结合高到低噪声时间步安排和联合巩固。在适应过程中，跨 15 个任务的受控一阶和高阶传输构建了一个有向任务体系，预算整数规划 (BIP) 从中选择直接监督的源任务和特定于目标的路线。相对于两个维度上的均匀采样，联合优先域和从高到低的时间步长课程将 v-NMSE、PSD-NMSE 和 FC-MSE 分别减少了 6.5%、16.3% 和 10.5%，并且在六个域内和域外任务中显示出强大的下游性能。该任务揭示了不对称、目标相关的转移，而探索性密封测试评估表明，当高阶路由空间可用时，BIP 策略比匹配的随机控制具有更大的描述性收益。总之，这些发现支持通过测量的学习关系来组织功能磁共振成像预训练和适应，而不是将领域和任务视为独立的平面集。