蛋白质类增量学习基准：视觉CIL方法难以迁移
原文标题：Do Vision CIL Methods Transfer to Protein? A Diagnostic Benchmark of Frozen Protein Encoders
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
该论文对九种代表性类增量学习（CIL）方法在五种蛋白质编码器（序列、结构及序列-结构）和两个酶功能数据集上进行了受控基准测试，编码器保持冻结。结果显示没有方法能可靠跨编码器迁移，失败源于梯度稳定性信号弱、嵌入几何异质性大以及协方差假设容量不匹配。作者认为表示本身应被视为持续学习设计的核心组件，而非被动的特征提取器。
- 问题
- 视觉类增量学习方法在冻结蛋白质表示上能否可靠迁移，此前缺乏系统评测。
- 方法
- 冻结五种蛋白质编码器，在酶功能数据集上受控对比九种CIL方法，并做梯度、嵌入几何与协方差诊断。
- 结果
- 无方法能跨编码器可靠迁移，失败在多种阶段构造下持续存在。
- 影响
- 做蛋白质功能预测的团队不能直接套用视觉CIL方案，需按编码器几何定制持续学习策略。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。