1.neurips2025截稿时间

本文作者来自香港大学、香港中文大学、卡内基梅隆大学、哈佛大学、哥伦比亚大学等多所顶尖高校其中论文第一作者是喻牧泉，来自香港中文大学，主要研究方向为计算神经科学与脑机接口通讯作者为罗逸飞（Andrew F. Luo），香港大学助理教授。

2.NeurIPS2025录用通知

人类高级视觉皮层在个体间存在显著的功能差异，而构建大脑编码模型（brain encoding models）—— 即能够从视觉刺激（如图像）预测人脑神经响应的计算模型 —— 是理解人类视觉系统如何表征世界的关键。

3.NeurIPS2025时间表

传统视觉编码模型通常需要为每个新被试采集大量数据（数千张图像对应的脑活动），成本高昂且难以推广尽管现有方法可利用预训练视觉模型（如 CLIP ）提取图像特征，并通过线性回归拟合脑响应，这类模型仍严重依赖大量被试内数据，在少样本甚至零样本条件下难以快速适应新个体，限制了其在临床、个性化神经科学等现实场景中的应用。

4.NeurIPS2025投稿截止时间

为解决这一挑战，BraInCoRL（Brain In-Context Representation Learning）提出一种基于元学习的上下文Transformer跨被试脑编码模型，仅凭少量示例图像及其对应的脑活动数据，即可无需微调地预测新被试在面对全新图像时的脑响应。

5.NeurIPS2025 paper list

该模型在多个公开fMRI数据集上表现出卓越的数据效率与泛化能力，甚至可跨扫描仪、跨协议进行有效预测本工作发表于 NeurIPS 2025 中的文章《Meta-Learning an In-Context Transformer Model of Human Higher Visual Cortex》。

NeurIPS 2025 | 上下文元学习实现不微调跨被试脑活动预测插图

6.NeurIPS2025无人机目标跟踪

论文链接：https://arxiv.org/abs/2505.15813代码链接：https://github.com/leomqyu/BraInCoRL背景和创新人类高级视觉皮层（如梭状回面孔区 FFA、海马旁位置区 PPA

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。