論文の概要: Do Vision CIL Methods Transfer to Protein? A Diagnostic Benchmark of Frozen Protein Encoders

• arxiv url: http://arxiv.org/abs/2610.18879v1
• Date: Thu, 01 Oct 2026 02:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:02:54.540993
• Title: Do Vision CIL Methods Transfer to Protein? A Diagnostic Benchmark of Frozen Protein Encoders
• Title（参考訳）: ビジョンCIL法はタンパク質に転移するか? : 凍結タンパク質エンコーダの診断ベンチマーク
• Abstract要約: 我々は5つの配列、構造、および配列に基づくタンパク質エンコーダと2つの酵素関数データセットにまたがる9つの代表的CIL手法のベンチマークを行う。 エンコーダ間で確実なメソッド転送は行わず、これらの障害は代替のフェーズ構成で持続する。 これらの結果から,表現自体が連続学習設計の中心的な要素として扱われるべきであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein function annotation operates over an expanding label space, making class-incremental learning (CIL) a natural framework for incorporating newly discovered functions without full retraining. Yet existing CIL methods have been developed largely in vision and have not been systematically evaluated over frozen protein representations. We conduct a controlled benchmark of nine representative CIL methods across five sequence-, structure-, and sequence--structure-based protein encoders and two enzyme function datasets at different scales, while keeping the encoders frozen and evaluation settings consistent across representations. We find that no method transfers reliably across encoders, and that these failures persist across alternative phase constructions. Diagnostic analyses reveal that this instability arises from weak gradient-based stability signals, substantial heterogeneity in embedding geometry, and covariance assumptions whose appropriate capacity changes with both dataset scale and encoder. These findings suggest that the representation itself should be treated as a central component of continual-learning design rather than a passive feature extractor. More generally, reliable protein CIL will require encoder-aware methods that adapt their statistical assumptions and capacity to the geometry of the representation on which they operate. Code is available at https://github.com/zygao930/ProteinCIL.
• Abstract（参考訳）: タンパク質関数アノテーションは拡張ラベル空間上で動作し、クラスインクリメンタルラーニング(CIL)を完全なリトレーニングなしで新たに発見された関数を組み込むための自然なフレームワークにする。 しかし、既存のCIL法は主に視覚で開発されており、凍結タンパク質の表現よりも体系的に評価されていない。 我々は, 5つの配列, 構造, 配列構造に基づくタンパク質エンコーダと2つの酵素関数データセットに対して, 9つの代表的CIL手法の制御ベンチマークを行い, エンコーダの凍結と評価設定の整合性を維持した。 エンコーダ間で確実なメソッド転送は行わず、これらの障害は代替のフェーズ構成で持続する。 解析解析により、この不安定性は、勾配に基づく安定性の弱い信号、埋め込み幾何学におけるかなりの不均一性、およびデータセットスケールとエンコーダの両方で適切なキャパシティが変化する共分散仮定から生じることが明らかになった。 これらの結果から,表現そのものは受動的特徴抽出器ではなく,継続学習設計の中心的な要素として扱われるべきであることが示唆された。 より一般的には、信頼できるタンパク質CILは、その統計的仮定と能力が作用する表現の幾何学に適応するエンコーダ対応の手法を必要とする。 コードはhttps://github.com/zygao930/ProteinCILで入手できる。

関連論文リスト

• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• Conditioning Protein Generation via Hopfield Pattern Multiplicity [0.0]
  幾何学的注意によるタンパク質配列生成は、トレーニングなしで小さなアライメントから可塑性ファミリーを生産する。 サンプルの注意ログにバイアスとして付加された1つのスカラーパラメータが、フルファミリーからユーザ特定サブセットへ連続的に生成することを示す。 5種のPfam族に対する実験により,4つの領域にわたる分離とギャップのモノトニックな関係が確認された。
  論文  参考訳（メタデータ） (2026-03-20T16:38:15Z)
• SiDGen: Structure-informed Diffusion for Generative modeling of Ligands for Proteins [0.0]
  マスク付きSMILES生成とポケット認識のための軽量な折りたたみ機能を統合したタンパク質条件拡散フレームワークSiDGenを提案する。 SiDGenは、タンパク質の埋め込みから粗い構造信号をプールする合理化モードと、より強い結合のために局所化された対のバイアスを注入するフルモードの2つの条件付けパスをサポートしている。 自動ベンチマークでは、SiDGenは高い妥当性、一意性、新規性を生み出し、ドッキングベースの評価において競合性能を達成し、適切な分子特性を維持する。
  論文  参考訳（メタデータ） (2025-11-12T18:25:51Z)
• S$^2$Drug: Bridging Protein Sequence and 3D Structure in Contrastive Representation Learning for Virtual Screening [72.89086338778098]
  タンパク質リガンドコントラスト表現学習のための2段階フレームワークを提案する。 最初の段階では、ESM2ベースのバックボーンを用いて、ChemBLでタンパク質配列を事前訓練する。 第2段階では、残基レベルゲーティングモジュールを介して配列と構造情報を融合することでPDBBindを微調整する。 この補助的なタスクは、モデルを誘導し、タンパク質配列内の結合残基を正確に局在させ、それらの3次元空間配列をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-10T11:57:47Z)
• ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
  本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。 プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。 本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
  論文  参考訳（メタデータ） (2025-10-12T14:30:32Z)
• Prot2Chat: Protein LLM with Early-Fusion of Text, Sequence and Structure [7.9473027178525975]
  タンパク質配列と構造情報を統一的にエンコードするために,タンパク質MPNNを改変した。 我々は,大規模言語モデル(LLM)を用いて質問をベクトルにエンコードし,タンパク質情報を仮想トークンに圧縮するタンパク質テキストアダプタを開発した。
  論文  参考訳（メタデータ） (2025-02-07T05:23:16Z)
• OneProt: Towards Multi-Modal Protein Foundation Models [6.9092913261646345]
  我々は、構造、シーケンス、テキスト、結合サイトデータを統合したタンパク質のためのマルチモーダルAIであるOneProtを紹介する。 ImageBindフレームワークを使用して、OneProtは軽量な微調整方式でタンパク質モダリティエンコーダの潜在空間を整列する。 この研究はマルチモーダルタンパク質モデルの地平線を広げ、薬物発見、生物触媒反応計画、タンパク質工学における変革的応用の道を開く。
  論文  参考訳（メタデータ） (2024-11-07T16:54:54Z)
• Confident Sinkhorn Allocation for Pseudo-Labeling [40.883130133661304]
  半教師付き学習は、ラベル付きデータへの機械学習の依存を減らす重要なツールである。 本稿では,疑似ラベル作成における不確実性の役割を理論的に研究し,CSA(Confident Sinkhorn Allocation)を提案する。 CSAは、信頼度の高いサンプルのみへの最適な輸送を通して、最高の擬似ラベル割り当てを特定する。
  論文  参考訳（メタデータ） (2022-06-13T02:16:26Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。