跨被试脑解码的上下文元学习：无需微调的通用视觉解码

论文概要

arXiv: 2604.08537 | CVPR 2026 接收 | 跨学科：cs.LG × q-bio.NC

核心问题：跨被试脑信号解码长期面临个体差异障碍，传统方法需要为每个被试单独训练或微调模型。

解决方案：通过上下文元学习（in-context learning）实现完全免微调的跨被试、跨扫描仪泛化。

方法亮点

1. 层级推理解码框架

模型采用两层层级推理策略：

单Voxel层级：对每个体素的视觉响应编码器参数进行估计，方法是对多个刺激-响应样本构建上下文（context）
多Voxel聚合层级：将编码器参数和响应值组成上下文，执行聚合功能反转（aggregated functional inversion）

2. 免微调的跨被试泛化

关键技术优势：

只需少量图像-脑激活样本作为上下文
无需解剖对齐（anatomical alignment）
无需刺激重叠（stimulus overlap）
可跨扫描仪泛化

3. 无需训练的特征工程

与量子认知机器（XQCM）研究中的思路有异曲同工之妙——将量子动力学作为特征工程工具而非认知模型本身。本文同样将神经编码模型的层级结构作为解码的通用特征提取器，而非为每个被试单独学习认知模型。

关键发现

指标	结果
跨被试泛化	无需任何微调
跨扫描仪泛化	跨不同扫描设备
解码视觉 backbone	兼容多种视觉模型
刺激要求	无需解剖对齐或刺激重叠

科学意义

基础模型范式：本文是迈向通用脑解码基础模型（generalizable foundation model for non-invasive brain decoding）的关键一步。

跨学科启示：最大异质性原则（Principle of Maximum Heterogeneity）认为，任何追求性能的分布式生产系统都会趋向于越来越异质的配置。本文的被试自适应解码策略正是这一原则的神经科学实例——每个被试的神经表征都是独特的编码配置，上下文元学习使模型能够动态适应这种异质性。