BICML · 2026
Real-World Unsupervised Models Generalize to Predict Brain Responses to Out-of-Distribution Stimuli
Chenggang Chen, Zhiyu Yang, Xiaoqin Wang
ICML 2026 Spotlight · OpenReview
字号
OVERVIEW
论文概览
检验在真实世界无监督数据上学习的模型，是否能跨分布预测未见刺激引发的脑响应。
ABSTRACT
中文摘要
深度网络是感觉系统神经响应的重要定量模型，但监督训练与生物学习机制并不匹配。作者考察真实世界无监督模型在分布外刺激上的神经预测能力，比较其对新视觉条件的泛化，并报告无监督表征能够比传统监督模型更稳健地解释部分脑响应。这为用生态数据和自监督目标建立更可信的神经编码模型提供证据。
RESEARCH RELEVANCE
与你研究的关系
直接支持用训练模型发现神经表征，并为虚拟脑/encoding 模型的 OOD 可靠性筛选提供参考。
LIMITATIONS
局限与核查重点
更好的 OOD 预测仍不能证明训练目标与生物学习相同；需要核查动物/人类数据范围和刺激分布定义。
SOURCE
来源与原文
ICML 2026 Spotlight · OpenReview
Chenggang Chen, Zhiyu Yang, Xiaoqin Wang. Real-World Unsupervised Models Generalize to Predict Brain Responses to Out-of-Distribution Stimuli. ICML 2026 Spotlight · OpenReview. https://openreview.net/forum?id=H1HHss5Zj4