近日，我院“复杂系统与交叉科学应用”创新团队2022级博士生詹岭在导师贾韬教授指导下完成的研究成果被The International Conference on Learning Representations（ICLR 2026）录用。论文题为《Accelerating Benchmarking of Functional Connectivity Modeling via Structure-aware Core-set Selection》。

针对计算神经科学中功能连接（FC）模型评估成本过高，全量计算往往耗时数月的痛点，团队将复杂系统视角下的结构稳定性分析引入大规模功能核磁共振（fMRI）数据筛选，首次提出了基于时序结构感知的核心集选择策略 。团队开发了SCLCS自监督框架，核心贡献包括：

• 问题建模：将“加速FC模型评估”问题建模为可优化的“保持FC模型性能排序的核心集选择”问题；

• 理论分析：给出改进Transformer结构在特定条件下对连续FC模型映射的通用逼近性质；

• 方法设计：提出“结构扰动得分（SPS）”刻画样本结构稳定性，并结合密度感知策略提升核心集覆盖与多样性。

实验结果表明，在相同计算设置下，该方法在排序一致性指标上优于多种对比基线，并实现约10倍加速（从7.7天缩短至18.5小时）。此外，所选样本在类别覆盖与平衡性等指标上表现更稳定，为后续大规模FC模型对比评测提供了更高效的工具支持。

图：SCLCS 框架概述

与传统的单模型分类核心集选择任务（左上）不同，我们的任务是保留各统计配对指标（SPIs）之间的性能排名（右上）。 我们的方法（下方）通过使用 Transformer 学习结构特征、利用创新的 SPS 指标量化稳定性，并结合密度感知策略来提核心集样本升多样性，从而实现这一目标。

ICLR 与 NeurIPS、ICML 被并称为机器学习领域的三大顶级会议，以学术严谨性和前瞻性著称。该成果在竞争激烈、筛选严格的审稿环境下获得录用，不仅体现了机器学习方法在解决脑科学实际问题中的应用潜力，也体现了团队在交叉学科领域“理论分析—方法设计—应用验证”一体化研究路径上的阶段性进展。

论文中稿网址：https://openreview.net/forum?id=0RYazbfSzW

Camera-ready版已上传arxiv: https://arxiv.org/abs/2602.05667

供稿：詹一岭

供图：詹一岭

初审：霍锦玲

复审：王一晖

终审：刘作勋