Probabilistic Prediction of Neural Dynamics via Autoregressive Flow Matching

📄 arXiv: 2604.11178v1 📥 PDF

作者: Nicole Rogalla, Yuzhen Qin, Mario Senden, Ahmed El-Gazzar, Marcel van Gerven

分类: q-bio.NC, cs.LG

发布日期: 2026-04-13

备注: 25 pages, 4 figures

💡 一句话要点

提出基于自回归Flow Matching的神经动力学概率预测框架，提升脑活动预测精度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经动力学 概率预测 自回归模型 Flow Matching fMRI BOLD信号 脑机接口

📋 核心要点

  1. 预测自然刺激下的神经活动是理解大脑动力学的关键挑战，现有方法在准确性和泛化性方面存在不足。
  2. 论文提出自回归Flow Matching (AFM) 框架，利用过去神经活动和感觉输入，概率性地预测未来的神经活动。
  3. 实验表明，AFM在预测BOLD活动方面显著优于传统方法，证明了其在神经动力学预测方面的有效性。

📝 摘要（中文）

本文提出了一种基于自回归Flow Matching (AFM) 的生成式预测框架，用于建模神经动力学。该方法基于传输的生成模型，从多模态感觉输入中大规模地概率性预测神经反应。具体来说，该方法学习未来神经活动在过去神经动力学和并发感觉输入下的条件分布，将神经活动显式地建模为一个时间演化过程，其中未来状态取决于最近的神经历史。在Algonauts project 2025挑战赛的功能磁共振成像数据集上，使用特定于受试者的模型评估了该框架。AFM在预测短期parcel-wise血氧水平依赖(BOLD)活动方面，显著优于非自回归Flow Matching基线和官方挑战赛通用线性模型基线，表明其具有更好的泛化性和广泛的皮层预测性能。消融分析表明，过去BOLD动力学的访问是性能的主要驱动因素，而自回归分解在短时程、上下文丰富的条件下产生了持续、适度的增益。这些发现将基于自回归Flow的生成建模定位为一种有效的神经动力学短期概率预测方法，在闭环神经技术中具有广阔的应用前景。

🔬 方法详解

问题定义：论文旨在解决从多模态感觉输入预测神经活动的问题，尤其关注功能磁共振成像(fMRI)数据中的血氧水平依赖(BOLD)信号预测。现有方法，如通用线性模型(GLM)，在捕捉复杂的神经动力学和个体差异方面存在局限性，难以准确预测未来的神经活动。

核心思路：论文的核心思路是将神经活动建模为一个随时间演化的概率过程，其中未来的神经状态依赖于过去的神经历史和当前的外部感觉输入。通过学习这种条件分布，可以实现对未来神经活动的概率性预测。自回归建模能够捕捉时间依赖关系，而Flow Matching则提供了一种强大的生成模型，可以学习复杂的数据分布。

技术框架：该框架主要包含以下几个模块：1) 输入编码模块，用于处理过去的BOLD信号和感觉输入；2) 自回归模块，用于建模时间依赖关系；3) Flow Matching模块，用于学习条件概率分布并生成未来的BOLD信号预测。整体流程是，首先将过去的BOLD信号和感觉输入输入到编码模块中，然后通过自回归模块提取时间特征，最后使用Flow Matching模块生成未来BOLD信号的概率分布。

关键创新：最重要的技术创新点在于将自回归建模与Flow Matching相结合，用于神经动力学的概率预测。与传统的确定性预测方法不同，该方法能够生成未来神经活动的概率分布，从而提供更丰富的信息。此外，自回归建模能够有效地捕捉时间依赖关系，提高了预测的准确性。

关键设计：论文使用了特定于受试者的模型，以捕捉个体差异。损失函数方面，使用了Flow Matching的损失函数，旨在最小化预测分布与真实分布之间的差异。网络结构方面，使用了深度神经网络来学习复杂的非线性关系。具体的参数设置和网络结构细节在论文中进行了详细描述（具体细节未知）。

📊 实验亮点

实验结果表明，AFM在Algonauts project 2025挑战赛的fMRI数据集上，显著优于非自回归Flow Matching基线和官方挑战赛通用线性模型基线。具体而言，AFM在预测短期parcel-wise BOLD活动方面取得了显著的性能提升，证明了其在神经动力学预测方面的有效性。消融实验表明，过去BOLD动力学是性能的主要驱动因素。

🎯 应用场景

该研究成果可应用于闭环神经技术，例如脑机接口、神经反馈治疗等。通过准确预测个体未来的神经活动，可以实现更精准的控制和个性化的治疗方案。此外，该方法还可以用于理解大脑的工作机制，例如研究不同脑区之间的相互作用和信息传递。

📄 摘要（原文）

Forecasting neural activity in response to naturalistic stimuli remains a key challenge for understanding brain dynamics and enabling downstream neurotechnological applications. Here, we introduce a generative forecasting framework for modeling neural dynamics based on autoregressive flow matching (AFM). Building on recent advances in transport-based generative modeling, our approach probabilistically predicts neural responses at scale from multimodal sensory input. Specifically, we learn the conditional distribution of future neural activity given past neural dynamics and concurrent sensory input, explicitly modeling neural activity as a temporally evolving process in which future states depend on recent neural history. We evaluate our framework on the Algonauts project 2025 challenge functional magnetic resonance imaging dataset using subject-specific models. AFM significantly outperforms both a non-autoregressive flow-matching baseline and the official challenge general linear model baseline in predicting short-term parcel-wise blood oxygenation level-dependent (BOLD) activity, demonstrating improved generalization and widespread cortical prediction performance. Ablation analyses show that access to past BOLD dynamics is a dominant driver of performance, while autoregressive factorization yields consistent, modest gains under short-horizon, context-rich conditions. Together, these findings position autoregressive flow-based generative modeling as an effective approach for short-term probabilistic forecasting of neural dynamics with promising applications in closed-loop neurotechnology.