GRMLR：基于知识图谱的深海冷渗阶推断小样本学习方法
机器学习
2026-03-26 v1 计算机视觉与模式识别
摘要
深海冷渗阶 assessment 传统上依赖于昂贵且高风险的有人潜水作业和对巨型生物的视觉调查。虽然微生物群落作为一种更具成本效益的替代方案正在受到关注，但可靠的推断仍具有挑战，因为现有的深海数据集极其小小（）相对于微生物特征维度（），使得纯数据驱动模型高度易于过拟合。为此，我们提出一种知识增强分类框架，纳入生态学知识图谱作为结构性先验。通过融合宏观-微生物耦合关系和微生物共现模式，该框架将 established 生态逻辑内在化于Graph- Regularized Multinomial Logistic Regression (GRMLR)模型中，通过manifold penalty约束特征空间，确保生物学一致的分类。重要的是，该框架在推断时无需观测巨型生物：仅在训练阶段使用宏观-微生物关联，而预测仅依赖于微生物丰度轮廓。实验结果表明，我们的方法显著优于标准基线，凸显其作为深海生态评估 robust 可扩展框架的潜力。
引用
@article{arxiv.2603.23961,
title = {GRMLR: Knowledge-Enhanced Small-Data Learning for Deep-Sea Cold Seep Stage Inference},
author = {Chenxu Zhou and Zelin Liu and Rui Cai and Houlin Gong and Yikang Yu and Jia Zeng and Yanru Pei and Liang Zhang and Weishu Zhao and Xiaofeng Gao},
journal= {arXiv preprint arXiv:2603.23961},
year = {2026}
}