本研究提出了一种针对B模式超声图像的对比自监督学习方法，通过关系对比损失函数（RCL）提升特征学习。结果表明，该方法在乳腺超声数据集上显著优于传统监督分割，尤其在数据有限时展现出更强的泛化能力。

研究使用对比自监督学习训练FT-Transformer模型，从miRNA、mRNA或RPPA数据预测癌症类型。相比XGBoost和CatBoost，该模型在标记样本稀缺时表现更好。提出的多模态模型通过后融合处理不同组学，实验显示多模态预训练提升了单一组学的预测效果，尤其在未标记多模态样本丰富时。适用于大量未标记数据但标记样本稀缺的情况。

本文提出了一种新的对话处理框架，通过学生-教师学习和上下文感知，结合对比自监督学习，提升了对话系统的性能。实验结果显示，该框架在实际对话系统中实现了近10%的相对词错误率降低。

本研究提出了两种基于对比自监督学习（CSSL）的方法来缓解过拟合的问题，并通过CSSL对图形编码器进行预训练和调整。同时开发了一个基于CSSL的正则化器，解决监督分类任务和无监督CSSL任务。实验证明，该方法在各种图形分类数据集上非常有效。

该文章提出了一种新的机械故障诊断方法，利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据。通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。