arXiv cs.LGは2026年10月14日(現地時間)、Ziyuan Gao氏によるタンパク質機能注釈におけるクラス増分学習 (CIL) 手法に関する診断的ベンチマーク結果を公開した。この研究では、既存のCIL手法がフリーズンされたタンパク質エンコーダー間で信頼性高く転移しないことが明らかになった。研究結果は、表現自体を継続学習設計の中心的な要素として扱うべきだと示唆している。
タンパク質の機能注釈は、拡大するラベル空間上で動作するため、再学習をせず新規機能を取り込むための自然なフレームワークとしてクラス増分学習（CIL）が検討されている。しかし、既存のCIL手法は主にビジョン分野で開発されており、フリーズンされたタンパク質表現に対しては体系的な評価が不足していた。
ジユアン・ガオ (Ziyuan Gao) 氏らは、9つの代表的なCIL手法を対象に、5種類のタンパク質エンコーダー（配列ベース、構造ベース、配列-構造ベース）と、異なるスケールの2つの酵素機能データセットを用いて制御されたベンチマークを実施した。エンコーダーはフリーズン状態を維持し、評価設定は表現間で一貫させた。その結果、どの手法もエンコーダー間で信頼性高く転移せず、この失敗は代替のフェーズ構築においても持続することが判明した。
診断分析によると、この不安定性は、弱い勾配ベースの安定性シグナル、埋め込み幾何学における実質的な不均一性、および、データセットのスケールとエンコーダーの両方によって適切な容量が変化する共分散仮定に起因する。これらの発見は、表現自体をパッシブな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うべきであることを示唆している。より一般的には、信頼性の高いタンパク質CILには、動作する表現の幾何学に適応する、エンコーダーを意識した手法が必要であるとしている。本研究のコードはGitHubで公開されており、NeurIPS 2026 Workshop on Continual Learning for Foundation Models and Agents (CL4FM Agents) に採択されている。
参考: arXiv cs.LG — 2026年10月15日 13:00 (JST)
原文ハイライト"no method transfers reliably across encoders"