ChronoCon
ChronoCon：時間對比學習在少樣本不可逆疾病進程評估中的應用
研究指出醫學影像嚴重度評分成本高且易受讀者差異影響。ChronoCon 以患者掃描的時間順序作為對比學習依據，無需專家標籤即可學得疾病相關表徵。實驗在類風濕性關節炎X光片上顯示，僅使用五位患者的標註即可達到86% 的 ICC，顯著優於傳統全監督模型。
自監督學習
ECG-JEPA
ECG-JEPA：利用隱向量遮蔽預測與跨導聯注意機制學習 12 導程式心電圖表徵
研究聚焦於 12 導程式心電圖的自監督表徵學習。作者提出 ECG-JEPA，利用隱向量遮蔽預測並搭配跨模式注意機制 CroPA，免除原始波形重建。實驗顯示在多項下游任務上均創下最佳成績，顯示此架構具廣泛應用潛力。
圖形嵌入
結合圖形嵌入的事件序列模型：提升金融與電商詐欺偵測效能
大型平台的時間序列事件預測常忽略使用者-商品互動圖的全局結構。研究提出三種將圖形嵌入整合至自監督學習的策略：豐富事件嵌入、對齊客戶與圖形表示、加入結構前置任務。實驗證明此方法在金融與電商資料上提升最高 2.3% 的 AUC，圖密度影響策略選擇。
PINN
PINN 物理資訊神經網路：突破恆星結構方程的計算瓶頸
天文物理學迎來突破，研究人員開發出基於 PINN 的自監督物理資訊神經網路，能高效求解恆星結構方程。該方法擺脫了傳統 MESA 軟體的離散化限制，在處理大規模恆星族群時大幅降低計算成本，且精準度極高，為未來恆星演化模擬開闢新路徑。