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。

本文提出了一种名为AID-DTI的新方法，通过正则化器在网络训练期间捕获细节和抑制噪声，实现快速准确的扩散张量成像。实验证明该方法优于三种最先进的方法，并能够估计出具有细粒度细节的扩散张量成像参数图。

本文提出了一种名为INRR的正则化器，旨在提高隐式神经表示的泛化能力。INRR通过将归一化的Dirichlet能量与INR集成来改善信号表示的泛化性能，并进一步设计了实验来论证其性质。结果表明，该方法可以提高其他信号表示方法的性能。