蛋白质类增量学习基准：方法无法跨编码器迁移

一项新研究对九种代表性类增量学习（CIL）方法做了受控基准测试，覆盖五类基于序列、结构及序列-结构的蛋白质编码器和两个不同规模的酶功能数据集，编码器全程冻结、各表示下评测设置一致。结果显示，没有任何方法能在不同编码器间可靠迁移，且这一失败在不同阶段构造下持续存在。 研究者的诊断分析将失败归因于三点：基于梯度的稳定性信号薄弱、嵌入向量几何高度异质，以及协方差假设的合适容量随数据集规模和编码器变化。该研究由 Ziyuan Gao 发布。 这意味着，在视觉 CIL 中表现良好的方法未必能直接用于蛋白质任务，方法选择需针对具体编码器和数据规模重新评估。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。