本文介绍了MetaMAE，一种通过元学习提高Masked Auto-Encoder（MAE）性能的自监督学习框架。该框架将MAE的掩码重构作为元学习任务，并使用先进的元学习技术增强重构和对齐潜在因素。实验证明，MetaMAE在自监督学习基准DABS中优于之前的基线。

通过使用基于深度图谱的内部听道分割网络（DABS-LS）进行 Cochlear Implants（CIs）研究，我们提出了一种自我监督培训方案，准确推定听觉神经纤维的位置，并可改进 CI 编程。验证结果表明，DABS-LS 优于现有方法，对 IAC 分割的准确性得到了显著提高。

针对无序文本的动态方面导向摘要提出了 Disordered-DABS 评估框架，并通过实验证明该框架对于包括语言模型在内的现代摘要模型存在独特挑战。