用于连续时间 fMRI 表征学习的随机最优控制

基于摘要分析。本文针对异质来源 fMRI 数据中的时间不规则性与噪声问题，将自监督表征学习重新表述为 Stochastic Optimal Control（SOC，随机最优控制）问题，以连续时间潜在动力学描述脑活动，并通过优化控制策略学习脑动态表征。 核心机制是以控制问题组织连续时间表征学习，而不是仅依赖离散化或时间平均处理。作者提出，该框架能够统一 masked autoencoding（MAE，掩码自编码）与 joint-embedding prediction（JEPA，联合嵌入预测），提取紧凑的控制导出表征，并采用无需仿真的推理策略提高计算效率与大规模数据适用性。摘要未给出控制目标、潜在动力学形式、两类学习范式的具体对应关系，以及无需仿真推理的实现条件，尚不能据此还原算法。 作者报告，模型在多种下游应用中达到最先进性能；但摘要未列出任务、数据集、样本规模、评估划分、对照方法、指标或效率测量，因此无法判断优势大小及其适用边界。实验协议、消融及统计信息尚未验证，尤其需要核对时间不规则性与噪声的测试方式，以及不同来源数据之间的泛化设置。 研究对象是 fMRI 表征学习，摘要未提供 EEG 或 BCI 评估证据，不能将其结果直接视为 BCI 有效性的证明。