热点事件持续更新
随机最优控制框架实现连续时间 fMRI 表征学习
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
2026年10月3日，arXiv cs.LG 分类发布一篇机器学习论文，研究者提出将自监督学习重构为随机最优控制（SOC）问题的框架，用于连续时间 fMRI 表征学习。该框架把大脑活动建模为连续时间潜在动力学，通过学习对时间不规则性不敏感的控制策略来获取鲁棒表征，并统一了掩码自编码（MAE）与联合嵌入预测（JEPA）。研究采用无模拟推理策略，以保证大规模 fMRI 数据集上的计算效率与可扩展性。模型在多项下游任务上取得 SOTA 表现，论文已被 ICLR 2026 接收。
AI 根据报道生成 · 2 小时前更新
最新进展10月3日 12:00
该论文已被 ICLR 2026 接收，模型在多项下游任务上取得 SOTA 表现。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）随机最优控制框架实现连续时间 fMRI 表征学习
研究者提出将自监督学习重构为随机最优控制（SOC）问题的框架，把大脑活动建模为连续时间潜在动力学，通过学习对时间不规则性不敏感的控制策略来获取鲁棒表征。该框架统一了掩码自编码（MAE）与联合嵌入预测（JEPA），并采用无模拟推理策略以保证大规模 fMRI 数据集上的计算效率与可扩展性。模型在多项下游任务上取得 SOTA 表现，论文已被 ICLR 2026 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。