东京大学和麦吉尔大学提出的SUICA模型利用隐式神经表征和图自编码器对空间转录组数据进行建模，显著提升数据质量和生物信号。SUICA在基因表达预测中表现优异，有效减少噪声并缓解dropout现象，推动空间转录组技术在研究和临床应用中的发展。

本研究提出了一种将生物信号知识蒸馏转移至加速度计的新方法，以解决资源受限环境中高保真生物信号不可用的问题。经过知识蒸馏的加速度计编码器在心率和心率变异性预测方面性能提高了23%至49%，显示出其在健康监测中的潜在应用价值。

本研究推出了PyPulse，一个用于生物信号插补的Python包，旨在解决传感器数据缺失问题。该包提供模块化框架，用户可通过单行代码运行工作流，并利用可视化工具比较不同方法，方便生物研究。

本文介绍了多种面部伪造检测方法和数据集，包括利用生物信号检测合成视频、开发“身份一致性变换器”以检测身份不一致，以及针对生物医学图像的重复检测模型。研究指出现有算法在生物医学图像处理上存在不足，需进一步研究。此外，提出的“面部追溯”任务旨在恢复伪造面孔的原始身份，强调了深度伪造技术下的个人身份安全问题。

本文探讨了自监督学习在时间序列数据中的应用，尤其是在医学和生物信号分析中的优势。通过优化原型多样性和稳健性，提出了新的学习框架和方法，显著提升了模型性能，特别是在心电图信号检测和临床任务中表现优异。研究表明，自监督学习在缺乏标签数据的情况下超越了传统监督学习，推动了时间序列数据分析的发展。

bioFAME是一种用于多模式生物信号建模的频率感知掩码自编码器。该方法可以在预训练过程中利用多模态信息，并且可以适应不同任务和模态。在单模态时间序列的迁移实验中，该方法相较于之前的最先进方法平均提升了5.5％，并且具有稳健性。

本研究综合集成语音、视觉、语言和生物信号，聚焦情感和情绪、生理情感和基于情感的压力识别的挑战，并介绍了不同领域的社区。通过基线模型提取了基于最先进技术的特征集。在竞争性基线测试中，MuSe-Wilder的0.4616CCC，MuSe-Stress的0.4717CCC，MuSe-Physio的0.4606CCC和MuSe-Sent的32.82%的F1分数。