메뉴
Novel framework for cross-subject neural alignment without shared stimuli, using pretrained ANN as common scaffold to enable generalizable decoders and cross-subject prediction
기본적으로 소스를 먼저 확인하는 Prompt가 선택됩니다. 직접 명령으로 전환하거나 로컬 사본을 다운로드할 수도 있습니다.
설치 여부를 결정하기 전에 SKILL.md와 SkillsMP에 표시된 보조 파일을 읽어 보세요.
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
직접 명령은 검토 Prompt를 거치지 않습니다. 실행하기 전에 소스를 확인하세요.
npx skills add https://github.com/hiyenwong/ai_collection --skill med-vae-cross-subject-alignment명령은 한 줄로 유지됩니다. 복사하기 전에 가로로 스크롤해 전체 내용을 확인하세요.
로컬 사본을 원하시나요? SkillsMP에서 현재 제공할 수 있는 파일을 다운로드하세요.
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 직업 분류 기준
SKILL.md 표시 중
| name | med-vae-cross-subject-alignment |
| title | MED-VAE: Multi-Encoder-Decoder VAE for Cross-Subject Neural Alignment |
| arxiv_id | 2606.15989 |
| authors | ["Angeliki Papathanasiou","Jascha Achterberg","Thomas E. Nichols","Rui Ponte Costa"] |
| date | 2026-06-14 |
| categories | ["q-bio.NC","cs.AI"] |
| description | Novel framework for cross-subject neural alignment without shared stimuli, using pretrained ANN as common scaffold to enable generalizable decoders and cross-subject prediction |
| tags | ["cross-subject alignment","variational autoencoder","neural decoding","transfer learning","population coding","natural scenes","visual cortex"] |
| trigger_words | ["MED-VAE","跨被试对齐","共享刺激","多编码器","神经解码","跨被试预测","预训练ANN支架","潜在空间对齐","视觉皮层","自然场景数据集"] |
arXiv: https://arxiv.org/abs/2606.15989
提出首个无需共享刺激的跨被试神经对齐框架。通过预训练ANN作为共同支架，实现不同被试神经活动的潜在空间对齐，支持跨被试预测和通用解码器构建。
会议: CCN 2026 (Cognitive Computational Neuroscience)
共享刺激要求：
数学表达：
传统方法：需要 {stimulus_i} 在所有被试中相同
现实约束：自然观看 = 不同被试看到不同内容
核心思想：
不同被试的视觉皮层 → 各自编码器 → 潜在空间
↓
预训练ANN (共同支架)
↓
重建回各自神经空间 ← 各自解码器
为什么有效：
技术细节：
架构设计：
被试1数据 → Encoder_1 → 共享潜在空间 → Decoder_1 → 被试1重建
被试2数据 → Encoder_2 → 共享潜在空间 → Decoder_2 → 被试2重建
...
被试N数据 → Encoder_N → 共享潜在空间 → Decoder_N → 被试N重建
训练策略：
损失函数：
L = Σ_i [L_recon_i + β*L_kl_i + α*L_alignment]
对齐约束：
关键洞察：
共享潜在空间 ≠ 相同的神经活动
= 相同的计算原理
Natural Scenes Dataset (NSD)：
1. 跨被试对齐质量：
方法：在共享潜在空间中测量被试间距离
指标：相同刺激 → 潜在空间距离应最小
2. 泛化能力：
方法：在未参与训练的刺激上测试
指标：重建误差、解码准确率
3. 跨被试预测：
任务：用被试A的模型预测被试B的神经活动
指标：相关系数、解释方差比例
对齐性能：
跨被试预测：
传统方法（需要共享刺激）：
- 被试A→B预测准确率: ~45%
MED-VAE（无需共享刺激）：
- 被试A→B预测准确率: ~58%
- 提升: +13% 绝对提升
语义组织：
验证各组件必要性：
关键发现：
输入：被试的fMRI体素活动模式 输出：潜在空间的低维表示
架构：
fMRI体素 (N_voxels) → 全连接层 → ReLU → 全连接层 → μ, σ
重参数化技巧：
z = μ + σ * ε, ε ~ N(0, I)
输入：潜在空间表示 输出：重建的fMRI活动模式
架构：
z → 全连接层 → ReLU → 全连接层 → N_voxels维输出
调优方法：
NSD数据集最优：128维
基于ANN特征的对齐：
L_alignment = Σ_i ||Encoder_i(fMRI_i) - ANN_features(stimulus)||²
语义一致性：
视觉系统的层级处理：
视网膜 → V1(边缘) → V2(纹理) → V4(形状) → IT(物体)
预训练ANN的对应：
跨被试一致性：
共同计算原理：
个体差异的来源：
场景：
优势：
应用：
示例：
突破限制：
应用：
模型验证：
模型选择：
推荐模型：
特征提取层：
稳定性：
数据增强：
训练时间：
内存需求：
扩展到其他模态：
动态对齐：
自监督预训练：
因果推断：
# 核心架构
class MED_VAE(nn.Module):
def __init__(self, n_subjects, n_voxels, latent_dim, pretrained_ann):
# 每个被试一个编码器-解码器对
self.encoders = nn.ModuleList([
Encoder(n_voxels[i], latent_dim) for i in range(n_subjects)
])
self.decoders = nn.ModuleList([
Decoder(latent_dim, n_voxels[i]) for i in range(n_subjects)
])
# 预训练ANN（冻结参数）
self.ann = pretrained_ann
self.ann.eval()
def forward(self, subject_id, fmri_data):
# 编码到共享潜在空间
z_mu, z_sigma = self.encoders[subject_id](fmri_data)
z = reparameterize(z_mu, z_sigma)
# 重建
recon = self.decoders[subject_id](z)
# 计算对齐损失
ann_features = self.ann.get_features(stimulus)
alignment_loss = F.mse_loss(z, ann_features)
return recon, z_mu, z_sigma, alignment_loss
MED-VAE, 跨被试对齐, 共享刺激, 多编码器, 神经解码, 跨被试预测, 预训练ANN支架, 潜在空间对齐, 视觉皮层, 自然场景数据集, CCN 2026, 通用解码器, 脑机接口