本文介绍了一种名为LaGraph的自我监督学习框架，基于潜在图预测，提升了未观察图的预测能力。通过多尺度拓扑信息，解决了图神经网络中的邻近偏见问题，并在多个数据集上验证了其性能提升。同时，综述了自我监督学习在图数据中的应用，提出了统一框架并分类方法，讨论了未来研究方向。

U-Mamba 是一种基于深度序列模型的医学图像分割网络，结合卷积层和序列模型的优点，适应不同数据集并取得优异效果。SegMamba 和 nnMamba 进一步提升了分割性能，Vision Mamba 实现了病变检测的突破。TM-UNet 和 LMa-UNet 增强了特征提取能力，Graph-Mamba 在图预测任务中表现出色，证明了新方法的有效性和高效性。