利用蒙特卡洛自编码器模型重建功能性磁共振成像数据，通过迁移学习框架得到认知任务关系矩阵，揭示了认知任务之间的相似性和主从关系，为神经解码任务提供源任务选择的指导，以提高目标任务的解码性能。

May, 2024

本研究探讨了基于区域的检测器在无监督学习中的应用，使用掩膜自编码和自生成对抗网络（GAN）等方法进行重构预训练，提高了图像分割的精度和效率。

Jun, 2023

本文提出了 MBrain，一种用于自监督学习的框架，可以用于预训练 SEEG 或 EEG 数据，并在大规模现实世界数据上进行了癫痫检测实验，表明我们的模型优于现有的一些时间序列自监督和无监督模型，并具有在临床实践中被部署的能力。

Jun, 2023

图神经网络在学习动态功能连接方面显示出潜力，但是在训练时获取大量标记的临床数据往往资源密集，使实际应用困难。因此，借助无标签数据在标记稀缺环境中进行表征学习变得至关重要。本文介绍了一种空时联合嵌入掩码自编码器（ST-JEMA），它借鉴了计算机视觉中的联合嵌入预测架构（JEPA），并对动态图进行重构，以实现考虑时间视角的更高级语义表示的学习。利用大规模的 UK Biobank 数据集进行自监督学习，ST-JEMA 在动态功能连接中显示出卓越的表示学习性能，证明了在预测表型和精神诊断方面优于先前方法的优越性，并且对缺失数据场景下的时间重构的有效性。这些发现突出了我们的方法作为一种强大的用于利用标记稀缺 fMRI 数据的表示学习方法的潜力。

Mar, 2024

Fus-MAE is a self-supervised learning framework based on masked autoencoders that performs data fusion between synthetic aperture radar and multispectral optical data, effectively competing with contrastive learning strategies in SAR-optical data fusion.

Jan, 2024

本文提出了一种空间和通道注意力自编码器（SCAAE），基于注意力机制来动态发现功能性脑网络 (FBNs)。实验结果表明，该方法可以在不使用滑动窗口的情况下有效地恢复 FBNs 在每个 fMRI 时间步的动态变化，同时避免了线性和独立性的限制，为更好地理解动态功能性脑网络提供了一种新方法。

May, 2022

本研究通过使用自监督学习以及具有表面网格的视觉转换器架构，构建了模型以模拟皮层结构，进而实现对皮层表面的学习。通过在较大数据集上进行预训练，可以获得强大的表示能力，用于在数据少的情景下进行微调，而在皮层表型回归任务中，预训练可以带来 26% 的性能提升和 80% 的更快收敛速度。

Aug, 2023

提出一种基于采样高时空令牌的创新 MAE 架构 SurgMAE，应用于手术视频领域的自监督学习，证明了该方法在低数据量条件下的有效性及其在非手术数据集 UCF-101 上的泛化性能优越性。

May, 2023

本文提出了一种 Medical Supervised Masked Autoencoder (MSMAE) 模型来解决传统 Masked Autoencoder (MAE) 模型在医学图像分类和分割中存在的问题，通过监督训练精确地遮蔽医学图像以及在微调阶段通过注意力机制指导遮蔽医学图像，显著提高了 MSMAE 模型的计算效率和医学诊断质量。

May, 2023

我们提出了一个简洁而有效的预训练框架，名为 PersonMAE，通过引入两个核心设计到遮挡自编码器中，以更好地为 Person Re-ID 任务提供服务，并在四个下游任务中实现了最先进的性能。

Nov, 2023