Stochastic Optimal Control for Continuous-Time fMRI Representation Learning
Joonhyeong Park, Byoungwoo Park, Chang-Bae Bang, Jungwon Choi, Hyungjin Chung, Byung-Hoon Kim, Juho Lee
ICLR 2026 主会 · 官方论文集
OVERVIEW
论文概览
将不规则 fMRI 时间序列的自监督学习写成连续潜动力学中的随机最优控制问题。
ABSTRACT
中文摘要
学习稳健的 fMRI 表征，受到异质来源数据固有时间不规则性和噪声的根本挑战。现有自监督学习方法常通过离散化或平均 fMRI 信号，丢弃重要时间信息。为此，我们提出新框架，将自监督学习重新表述为随机最优控制（SOC）问题。该方法将脑活动建模为连续时间潜动力学，通过优化不依赖特定时间采样规则的控制策略，学习稳健的脑动力学表征。SOC 框架自然统一了掩蔽自编码（MAE）与联合嵌入预测（JEPA），提取紧凑、由控制导出的表征。此外，无需模拟的推理策略确保了面向大规模 fMRI 数据集的计算效率与可扩展性。模型在多种下游应用中取得先进表现，表明基于 SOC 的连续时间表征学习框架具有潜力。
RESEARCH RELEVANCE
与你研究的关系
论文事实：连续时间潜动力学和控制策略用于处理异质采样，并统一 MAE/JEPA。研究推断：在 EEG–fMRI 统一建模中，可用各模态真实时间戳条件化共享潜动力学，比较其与简单重采样对齐的差异。
LIMITATIONS
局限与核查重点
摘要未建立 EEG–fMRI 联合训练或内容解码证据；连续时间数学表述不保证恢复真实神经时间常数，仍应核查血流动力学、采样率和站点差异的控制。
SOURCE
来源与原文
ICLR 2026 主会 · 官方论文集
Joonhyeong Park, Byoungwoo Park, Chang-Bae Bang, Jungwon Choi, Hyungjin Chung, Byung-Hoon Kim, Juho Lee. Stochastic Optimal Control for Continuous-Time fMRI Representation Learning. ICLR 2026 主会 · 官方论文集. https://proceedings.iclr.cc/paper_files/paper/2026/hash/a742348e01f3ba9a36307d13848359a8-Abstract-Conference.html