本文提出了GiGaMAE图掩蔽自编码器框架，旨在提升图数据的推理能力。该模型通过重构图的拓扑和属性信息，有效捕捉综合知识，并引入基于互信息的重构损失。实验结果表明，GiGaMAE在多个基准测试中表现优于现有模型。

该研究提出了一种新型模型UPTST，用于预测儿科手足口病患者每日入院人数。该模型利用了疱疹咽炎的见解，并引入重构损失作为辅助损失。结果表明，该模型在手足口病预测准确性方面优于现有方法，并具有广泛适用性。

SegCLIP是一种基于CLIP的模型，可以实现无注释的开放式词汇语义分割。该模型使用重构损失和基于超像素的KL损失与伪标签相结合来增强视觉表征。实验结果表明，该模型在PASCAL VOC 2012、PASCAL Context和COCO上实现了相当或更高的分割精度。

本文提出了一种新颖的对抗性编码-解码-分类器框架，用于学习多模态不变的嵌入空间。通过对抗训练将源模态的分布转换为目标模态的分布，并使用重构损失和分类损失约束嵌入空间。使用分层图神经网络来融合编码表示。在多个数据集上实现了最先进的性能，学习到的嵌入空间具有辨别力。