本文探讨了在3D点云中应用近似凸分解（ACD）进行自我监督训练的方法，展示了其在无监督表示学习和少样本分割中的优越性能。同时，提出了伪标签辅助的半监督分割策略和主动学习方法，有效降低了标注成本。研究还分析了点云数据学习的标注效率，讨论了当前面临的挑战及未来发展方向。

本文介绍了多种卷积神经网络（CNN）模型及其在细胞检测、3D物体识别和心脏MRI图像分类等领域的应用。研究表明，复杂模型在训练中不易过拟合，并能有效识别数据结构。此外，基于Spherical CNNs的自我监督训练和CNN+LSTM的姿态回归方法在多个数据集上验证了其有效性和鲁棒性。

我们提出了UniGraph框架，使用TAGs训练图基础模型，实现泛化能力。采用级联的LMs和GNNs构建骨干网络，基于MGM的自我监督训练目标，并引入LLMs进行图指令调优，实现零样本预测。实验证明我们的模型在自我监督表示学习、少样本上下文转移和零样本转移方面有效，超越或匹配了受监督训练的GNNs的性能。