知识卡片：BrainTaskonomy——用可测量学习关系组织 fMRI 基础模型的预训练与迁移

一句话结论

该工作提出 BrainTaskonomy：在不修改主干的前提下，用轻量代理测得的领域难度/促进关系和任务迁移关系，分别组织 fMRI 基础模型的预训练课程与下游适配路由；摘要报告联合课程相对均匀采样降低 v-NMSE、PSD-NMSE、FC-MSE，并发现非对称、目标依赖的迁移。

事件概述或研究问题

• fMRI 基础模型日益聚合脑状态、队列、采集设置等异质数据，但预训练领域常被当作扁平混合，下游任务常被独立适配。
• 作者检验：能否用测量到的学习关系来组织预训练和适配两个阶段，而不修改 backbone。
• 材料提到预训练侧涉及十个 fMRI domains，适配侧涉及十五个 tasks；具体定义待核实。

方法/产品要点

• 预训练：轻量 Brain-DiT proxy 估计十个 fMRI domains 的 difficulty 与 directed facilitation，形成 priority-guided cumulative domain curriculum，并结合 high-to-low-noise timestep scheduling 与 joint consolidation。
• 适配：在十五个任务上做 controlled first- and higher-order transfer，构建 directed taskonomy；再用 budgeted integer programming (BIP) 选择直接监督源任务和 target-specific routes。
• 关键设计取向：不改主干，而是通过课程、时间步调度、迁移路径选择来组织数据与任务关系。

主要结果或产业意义

• 联合 priority-domain 与 high-to-low-timestep curriculum，相对在两个维度均匀采样，摘要报告：
  • v-NMSE 降低 6.5%；
  • PSD-NMSE 降低 16.3%；
  • FC-MSE 降低 10.5%。
• 在六个 in-domain 和 out-of-domain 任务上显示 strong downstream performance；具体数值待核实。
• taskonomy 显示非对称、目标依赖的迁移。
• 探索性 sealed-test evaluation 显示：当更高阶 route spaces 可用时，BIP 策略相较 matched random controls 有更大 descriptive gains；具体数值与统计性质待核实。
• 产业意义：提示 fMRI 基础模型不仅可拼数据量，还可把“预训练域如何排课”和“下游任务迁移什么”作为可测量、可优化的问题处理。

为什么重要

• 把预训练领域和下游任务从“扁平集合”改为有向关系/拓扑组织，强调 measured learning relations。
• 对基础模型工程而言，这提供了一种不改主干、改数据与迁移调度策略的思路。
• 与已有相关卡片的关系：既有卡片关注视频基础模型时空表征探测、知识蒸馏范式、LLM 修辞校准；本条不重复这些事实，增量在于把 fMRI 异质数据下的预训练课程与迁移路由统一到任务/领域关系测量框架中。

局限与不确定性

• 来源为 arXiv 摘要与元数据，全文细节无法确认：Brain-DiT proxy 结构、十个 domains 与十五个 tasks 的定义、课程与时间步调度的具体实现、joint consolidation 操作等，均待核实。
• BIP 的目标函数、预算约束、源任务选择流程、匹配随机控制方式、sealed-test 协议等，待核实。
• 摘要中的 6.5%、16.3%、10.5% 为相对 uniform sampling 的下降；绝对值、置信区间、统计显著性、重复次数、跨数据集/跨模型泛化性，待核实。
• “strong downstream performance”和“larger descriptive gains”未在摘要给出具体数值；探索性密封测试不等同于确证性结论，待核实。
• 同行评审状态、代码/数据可用性、计算成本，材料未提供，待核实。
• 英文关键词来源未明确列出，待核实。

可用于图书/PPT/简报的角度

• 用“从扁平混合到有向任务拓扑”对比传统 fMRI 基础模型训练与 BrainTaskonomy 的组织方式。
• 案例化解释“先估计领域难度与促进关系，再排预训练课程；先测任务迁移关系，再用预算整数规划选源任务”。
• 用 v-NMSE、PSD-NMSE、FC-MSE 的三个降幅做一页图表，并标注相对均匀采样与待核实细节。
• 讨论问题：基础模型竞争是否从“更大数据混合”转向“更好关系调度与迁移路由”。
• 风险提示：探索性结果、密封测试、统计与泛化均需全文核实。

原始材料

• 英文标题：BrainTaskonomy: Learning How to Pretrain and What to Transfer in fMRI Foundation Models
• arXiv ID：2609.10518v1
• 作者：Junfeng Xia, Wenhao Ye, Junxiang Zhang, Jiayu Zuo, Mo Wang, Quanying Liu
• 发布时间：2026-09-09T17:50:39Z；更新：2026-09-09T17:50:39Z
• 分类：Primary cs.CV；Categories cs.CV, q-bio.NC
• 摘要 URL：https://arxiv.org/abs/2609.10518v1
• PDF URL：https://arxiv.org/pdf/2609.10518v1
• 英文关键词：来源未明确列出，待核实；据摘要可提取：fMRI foundation models; BrainTaskonomy; Brain-DiT proxy; directed taskonomy; budgeted integer programming (BIP); domain curriculum; transfer learning; v-NMSE; PSD-NMSE; FC-MSE