Meta-Learning In-Context Enables Training-Free Cross-Subject Brain Decoding
Mu Nan, Muquan Yu, Weijian Mai, Jacob S. Prince, Hossein Adeli, Rui Zhang, Jiahang Cao, Benjamin Becker, John A. Pyles, Margaret M. Henderson, Chunfeng Song, Nikolaus Kriegeskorte, Michael J. Tarr, Xiaoqing Hu, Andrew F. Luo
CVPR 2026 主会 · CVF Open Access
OVERVIEW
论文概览
通过元学习获得可在上下文中适应新被试的脑解码器，无需针对目标被试重新训练，也不要求解剖配准或共享刺激。
ABSTRACT
中文摘要
跨被试脑解码通常依赖精细的解剖或功能对齐，并需要目标被试的配对训练数据。BrainCoDec 将这一问题改写为上下文学习：元训练阶段让模型从少量示例中推断新被试的信号—语义映射，测试时只通过上下文样例完成适应，不更新模型参数。框架面向不同被试、数据集和扫描仪，强调在没有刺激重叠和显式脑区对齐的条件下迁移视觉解码能力。实验从跨被试、跨数据集与跨扫描设置评估训练外泛化，说明元学习可把个体适配从参数微调转化为推理时的条件建模。
RESEARCH RELEVANCE
与你研究的关系
直接对应统一模型中的 subject-invariant 与 subject-specific 分解，并提供比逐被试微调更接近零样本迁移的实现路径。
LIMITATIONS
局限与核查重点
上下文中仍需多少目标被试示例、示例选择是否敏感，以及生成结果中有多少来自视觉先验，需要结合完整实验核查。
SOURCE
来源与原文
CVPR 2026 主会 · CVF Open Access
Mu Nan, Muquan Yu, Weijian Mai, Jacob S. Prince, Hossein Adeli, Rui Zhang, Jiahang Cao, Benjamin Becker, John A. Pyles, Margaret M. Henderson, Chunfeng Song, Nikolaus Kriegeskorte, Michael J. Tarr, Xiaoqing Hu, Andrew F. Luo. Meta-Learning In-Context Enables Training-Free Cross-Subject Brain Decoding. CVPR 2026 主会 · CVF Open Access. https://openaccess.thecvf.com/content/CVPR2026/papers/Nan_Meta-Learning_In-Context_Enables_Training-Free_Cross_Subject_Brain_Decoding_CVPR_2026_paper.pdf