BrainMoE：通过混合专家实现认知联合嵌入，迈向稳健的脑基础模型

基于摘要分析。BrainMoE 主要研究 fMRI 脑基础模型在认知状态覆盖有限、采集流程不同及下游样本较少时的稳健性问题，提出结合任务态与静息态 fMRI 预训练脑专家，再融合不同认知相关嵌入的方法；其主要研究对象并非 EEG 基础模型。 机制上，脑专家为不同认知相关行为任务生成嵌入，随后由 cognition adapter 通过 cross-attention 混合这些嵌入。作者将处理正交嵌入、适应小规模下游数据集作为设计目标。作者报告在 UKB 与 HCP 的 68,251 次 fMRI 扫描上预训练专家，覆盖 12 种认知状态，采用两种已有的 self-regressive 架构及一种新的监督架构。摘要未提供具体架构名称、损失形式、专家分配方式或预训练监督细节，上述数量指扫描次数，不能解释为被试人数。 作者报告在来自三种不同采集流程的八个数据集上评估，应用包括性别与年龄预测、人类行为识别、自闭症、帕金森病、阿尔茨海默病及精神分裂症的早期诊断，以及 fMRI-EEG 多模态应用，并称结果具有潜力。摘要未给出各任务的指标、数值、对照基线或数据划分，因此不能据此认定跨被试泛化优势、临床诊断效能或 BCI 有效性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若认知状态差异确实是目标 EEG 任务中的重要分布变化来源，多专家与 cross-attention 融合机制可能提供可复用思路，但需改造 fMRI 输入表征与任务监督方式，并评估 EEG 低信噪比、通道差异及小样本下专家分化不稳定的风险。摘要所述 fMRI-EEG 应用尚不足以确认这一迁移路径；其模态配对方式、EEG 任务及相关既有工作尚未检索确认。复现前需核对数据划分、采集流程间的评估设置、各专家贡献，以及实现和权重的可获得性。