Vision CIL 方法是否可以转移到蛋白质上？冷冻蛋白质编码器的诊断基准

摘要

arXiv:2610.18879v1 Announce Type: new Abstract: Protein function annotation operates over an expanding label space, making class-incremental learning (CIL) a natural framework for incorporating newly ...

and that CIL across the methods protein encoders function over

2026-10-15 1 阅读约1分钟阅读 Ziyuan Gao

arXiv:2610.18879v1 公告类型：新摘要：蛋白质功能注释在扩展的标签空间上运行，使类增量学习 (CIL) 成为无需完全再训练即可合并新发现功能的自然框架。然而，现有的 CIL 方法主要是在视觉方面开发的，尚未对冷冻蛋白质表征进行系统评估。我们对五种基于序列、结构和序列结构的蛋白质编码器和不同规模的两个酶功能数据集的九种代表性 CIL 方法进行了受控基准测试，同时保持编码器冻结和评估设置在不同表示之间保持一致。我们发现没有任何方法可以在编码器之间可靠地传输，并且这些故障在替代阶段结构中仍然存在。诊断分析表明，这种不稳定性是由基于梯度的稳定性信号较弱、嵌入几何形状的显着异质性以及协方差假设（其适当容量随数据集规模和编码器的变化而变化）引起的。这些发现表明，表示本身应该被视为持续学习设计的核心组成部分，而不是被动的特征提取器。更一般地说，可靠的蛋白质 CIL 将需要编码器感知的方法，使其统计假设和容量适应它们所操作的表示的几何形状。代码可在 https://github.com/zygao930/ProteinCIL 获取。

订阅66必读