BrainTaskonomy：通过学习关系重构 fMRI 基础模型的预训练与迁移

fMRI 基础模型越来越多地汇聚跨不同脑状态、队列和采集设置的异构数据，但预训练领域通常被视为扁平的混合体，且下游任务也都是独立适配的。我们研究了在不修改主干网络的前提下，测得的学习关系是否可以组织协调这两个阶段。在预训练阶段，一个轻量级的 Brain-DiT 代理模型评估了十个 fMRI 领域的难度和定向促进作用，进而构建出一种优先级引导的累积领域课程，并结合了从高到低噪声的时间步调度及联合巩固。在适配阶段，跨十五个任务的受控一阶与高阶迁移构建了一个有向任务谱系（taskonomy），预算约束整数规划（BIP）据此选出直接受监督的源任务以及特定于目标的路径。相较于在两个维度上进行均匀采样，这种优先级领域与高到低时间步的联合课程将 v-NMSE、PSD-NMSE 和 FC-MSE 分别降低了 6.5%、16.3% 和 10.5%，并在六个域内和域外任务中表现出强大的下游性能。该任务谱系揭示了非对称且依赖于目标的迁移特性，而探索性盲测评估表明，当存在高阶路径空间时，相比于匹配的随机对照组，BIP 策略能够带来更大的描述性收益。总之，这些发现支持根据测得的学习关系来组织 fMRI 的预训练和适配，而不是将领域和任务视为相互独立的扁平集合。