While deep learning methods hitherto have achieved considerable success in medical image segmentation, they are still hampered by two limitations: (i) reliance on large-scale well-labeled datasets, which are difficult to curate due to the expert-driven and time-consuming nature of pixel-level annotations in clinical practices, and (ii) failure to generalize from one domain to another, especially when the target domain is a different modality with severe domain shifts. Recent unsupervised domain adaptation~(UDA) techniques leverage abundant labeled source data together with unlabeled target data to reduce the domain gap, but these methods degrade significantly with limited source annotations. In this study, we address this underexplored UDA problem, investigating a challenging but valuable realistic scenario, where the source domain not only exhibits domain shift~w.r.t. the target domain but also suffers from label scarcity. In this regard, we propose a novel and generic framework called ``Label-Efficient Unsupervised Domain Adaptation"~(LE-UDA). In LE-UDA, we construct self-ensembling consistency for knowledge transfer between both domains, as well as a self-ensembling adversarial learning module to achieve better feature alignment for UDA. To assess the effectiveness of our method, we conduct extensive experiments on two different tasks for cross-modality segmentation between MRI and CT images. Experimental results demonstrate that the proposed LE-UDA can efficiently leverage limited source labels to improve cross-domain segmentation performance, outperforming state-of-the-art UDA approaches in the literature. Code is available at: https://github.com/jacobzhaoziyuan/LE-UDA.

学习时间序列表示只有未标记的数据或几个标签样本可用时，可能是一项具有挑战性的任务。最近，通过对比，通过对比的不同数据观点从未标记的数据中提取有用的表示形式方面，对对比的自我监督学习表现出了很大的改进。在这项工作中，我们通过时间和上下文对比（TS-TCC）提出了一个新颖的时间序列表示学习框架，该框架从未标记的数据中学习了具有对比性学习的无标记数据的表示。具体而言，我们建议时间序列特定的弱和强大的增强，并利用他们的观点在拟议的时间对比模块中学习稳健的时间关系，除了通过我们提出的上下文对比模块学习判别性表示。此外，我们对时间序列数据增强选择进行系统研究，这是对比度学习的关键部分。我们还将TS-TCC扩展到了半监督的学习设置，并提出了一种类感知的TS-TCC（CA-TCC），从可用的少数标​​记数据中受益，以进一步改善TS-TCC学到的表示。具体而言，我们利用TS-TCC生成的强大伪标签来实现班级感知的对比损失。广泛的实验表明，对我们提议的框架所学的功能的线性评估与完全监督的培训相当。此外，我们的框架在少数标记的数据和转移学习方案中显示出高效率。该代码可在\ url {https://github.com/emadeldeen24/ts-tcc}上公开获得。

尽管使用深度学习技术从2D ENA中提取血管结构的研究越来越多，但对于这种方法，众所周知，曲线式结构上的数据注释过程（如视网膜脉管系统）非常昂贵且耗时，耗时，耗时，尽管很少有人试图解决注释问题。在这项工作中，我们提出了涂鸦基本弱监督学习方法的应用来自动化像素级注释。所提出的方法称为八度，使用涂鸦的地面真理与对抗性和新颖的自我监督深度监督相结合。我们的新型机制旨在利用来自类似于Unet的结构的歧视层的判别输出，在训练过程中，骨料判别输出和分割图谓词之间的kullback-liebler差异在训练过程中被最小化。如我们的实验所示，这种组合方法导致血管结构的定位更好。我们在大型公共数据集上验证了我们提出的方法，即Rose，Octa-500。将分割性能与最新的完全监督和基于涂鸦的弱监督方法进行了比较。实验中使用的工作的实施位于[链接]。

尽管深层模型在医学图像分割中表现出了有希望的性能，但它们在很大程度上依赖大量宣布的数据，这很难访问，尤其是在临床实践中。另一方面，高准确的深层模型通常有大型模型尺寸，从而限制了它们在实际情况下的工作。在这项工作中，我们提出了一个新颖的不对称联合教师框架ACT-NET，以减轻半监督知识蒸馏的昂贵注释和计算成本的负担。我们通过共同教师网络推进教师学习的学习，以通过交替的学生和教师角色来促进从大型模型到小模型的不对称知识蒸馏，从而获得了临床就业的微小但准确的模型。为了验证我们的行动网络的有效性，我们在实验中采用了ACDC数据集进行心脏子结构分段。广泛的实验结果表明，ACT-NET的表现优于其他知识蒸馏方法，并实现无损分割性能，参数少250倍。

有了大规模标记的数据集，深度学习在医学图像分割方面已取得了重大成功。但是，由于广泛的专业知识要求和昂贵的标签工作，在临床实践中获取大量注释是具有挑战性的。最近，对比学习表明，在未标记的数据上进行视觉表示学习的能力很强，在许多领域中实现了令人印象深刻的性能与监督的学习。在这项工作中，我们提出了一个新型的多尺度多视图全球对比度学习（MMGL）框架，以彻底探索不同尺度的全球和局部特征，并观察到可靠的对比度学习表现，从而通过有限的注释来改善细分性能。在MM-WHS数据集上进行的广泛实验证明了MMGL框架对半监视的心脏图像分割的有效性，从而超过了最先进的对比度学习方法，这是通过较大的余量。

With its capability to deal with graph data, which is widely found in practical applications, graph neural networks (GNNs) have attracted significant research attention in recent years. As societies become increasingly concerned with the need for data privacy protection, GNNs face the need to adapt to this new normal. Besides, as clients in Federated Learning (FL) may have relationships, more powerful tools are required to utilize such implicit information to boost performance. This has led to the rapid development of the emerging research field of federated graph neural networks (FedGNNs). This promising interdisciplinary field is highly challenging for interested researchers to grasp. The lack of an insightful survey on this topic further exacerbates the entry difficulty. In this paper, we bridge this gap by offering a comprehensive survey of this emerging field. We propose a 2-dimensional taxonomy of the FedGNNs literature: 1) the main taxonomy provides a clear perspective on the integration of GNNs and FL by analyzing how GNNs enhance FL training as well as how FL assists GNNs training, and 2) the auxiliary taxonomy provides a view on how FedGNNs deal with heterogeneity across FL clients. Through discussions of key ideas, challenges, and limitations of existing works, we envision future research directions that can help build more robust, explainable, efficient, fair, inductive, and comprehensive FedGNNs.

深度学习（DL）已在脑电图（EEG）基于脑电图（EEG）的大部分应用中广泛研究，尤其是在过去五年中对于运动成像（MI）分类。 MI-EEG分类的主流DL方法使用卷积神经网络（CNN）利用EEG信号的暂时性模式，这些模式在视觉图像中取得了显着成功。但是，由于视觉图像的统计特征从根本上偏离了脑电图信号，因此出现了一个自然的问题，除了CNN之外是否存在替代网络体系结构。为了解决这个问题，我们提出了一个名为Tensor-CSPNET的新型几何深度学习（GDL）框架，该框架是源自对称阳性（SPD）的EEG信号的空间协方差矩阵（SPD）歧管（SPD）歧管，并完全捕获了使用临时性跨性别模式，并使用现有的深神经网络捕获了现有的深神经网络SPD流形，与许多成功的MI-EEG分类器的经验集成以优化框架。在实验中，张量-CSPNET在两个常用的MI-EEG数据集中的交叉验证和保留方案上达到或略微优于当前最新性能。此外，可视化和可解释性分析还表现出张量-CSPNET对MI-EEG分类的有效性。总而言之，在这项研究中，我们通过将DL方法概括为SPD歧管，为问题提供了可行的答案，该方法表明了MI-EEG分类的特定GDL方法的开始。

本文介绍了置信度优化（CO）分数，以直接测量热插拔/显着图的贡献到模型的分类性能。可说明的人工智能（XAI）社区中使用的常见热映射生成方法通过我们称之为增强解释（AX）来测试。我们在这些热爱方法的CO分配中找到了一个惊人的\ Texit {Gap}。间隙可能用作深度神经网络（DNN）预测的正确性的新颖指标。我们进一步介绍了生成的AX（GAX）方法以产生能够获得高CO分数的显着图。使用迷人，我们也定性展示了DNN架构的不行性。

深度加强学习中的透明度和公平问题可能源于用于学习其政策，价值功能等的深度神经网络的黑匣子性质。本文提出了一种通过神经网络的自下而上设计来规避问题的方法（NN）具有详细的解释性，其中每个神经元或层具有自己的含义和实用程序，与人类理解的概念相对应。通过刻意设计，我们表明Lavaland可能使用NN模型解决了一些参数。此外，我们介绍了由反向奖励设计的自奖励设计（SRD），因此我们的可解释设计可以（1）通过纯设计解决问题（虽然不完美）（2）通过SRD（3）进行优化（3）进行避免通过识别在\（W_ {Unknown} \）中的激活聚合的神经元的灭活来识别神经元的灭活。

本文提出了用于通用近似的两个自下而上的可解释的神经网络（NN）构造，即三角形构造的NN（TNN）和半量化激活NN（SQANN）。值得注意的属性是（1）对灾难性的遗忘（2）对训练数据集（3）对输入\（X \）的任意高精度的证明存在的存在，用户可以识别其激活“指纹”的培训数据的特定样本。类似于\（x \）的激活。用户还可以识别出不分发的样本。