本文介绍了一种空时联合嵌入掩码自编码器（ST-JEMA），它借鉴了计算机视觉中的联合嵌入预测架构（JEPA），并对动态图进行重构，以实现考虑时间视角的更高级语义表示的学习。利用大规模的 UK Biobank 数据集进行自监督学习，ST-JEMA 在动态功能连接中显示出卓越的表示学习性能，证明了在预测表型和精神诊断方面优于先前方法的优越性，并且对缺失数据场景下的时间重构的有效性。这些发现突出了我们的方法作为一种强大的用于利用标记稀缺 fMRI 数据的表示学习方法的潜力。

本研究提出了一种新颖的自我监督预训练方法，解决重症监护中的数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等任务中优于基线模型，提升数据分析能力。

本文介绍了机器学习和深度学习在生物领域的应用，重点是蛋白质折叠。但预测基因组中复杂性状的问题却受到较少关注。文章提供了最先进模型和相关问题的概述，以作为预测表型的新模型开发时的参考。以身高作为连续值表型的例子介绍了基准数据集、混杂因素、特征选择和评估指标。