TARDRL：面向 fMRI 动态表征学习的任务感知重建

基于摘要分析。该研究针对 fMRI 疾病预测中的表征学习问题，提出 Task-Aware Reconstruction Dynamic Representation Learning（TARDRL），将重建与预测任务并行设置，并利用特定任务的注意力图引导 fMRI 时间序列重建，使表征学习考虑下游预测目标。 机制与创新：摘要描述的常规 MAE 流程是在不同时间片段随机遮蔽脑区信号，通过重建进行预训练，再微调预测模型。作者认为，这种顺序式设计的重建目标未充分考虑下游任务，且随机掩码忽略了不同脑区对具体任务的贡献差异。TARDRL 的主要变化是让重建与预测并行，并将任务注意力反馈至重建过程。摘要未交代注意力图的计算方式、其具体如何影响重建或掩码、损失形式及训练阶段安排，这些实现细节尚未验证。 结果与证据边界：作者报告，模型在 ABIDE 和 ADNI 数据集的疾病预测实验中优于所比较的先进方法，并具有较高可解释性；摘要未提供具体预测任务、样本量、数据划分、对照方法、指标或数值，因此无法判断优势幅度与适用范围。实验协议、消融及统计信息尚未验证，可解释性的评价依据也需查阅全文。 复现关注点：应核对任务监督如何进入重建过程、并行设计与注意力引导各自的贡献，以及评估划分下的泛化表现。摘要称代码已在仓库提供，但所给材料未包含仓库地址，代码可用性尚未核实。本研究的主要对象是 fMRI 疾病预测，现有材料不能据此认定其具有 EEG 或 BCI 效果。