本研究提出了持续图学习框架PSCGL，解决了传统图神经网络在动态环境中的灾难性遗忘问题，尤其在生物数据集上表现出色。实验结果表明，PSCGL提升了模型的存储效率和鲁棒性。

本研究提出了一种新的稀疏可解释神经网络模型sTAB-Net，旨在提升表格数据的可解释性和性能。sTAB-Net通过引入注意力机制，在生物数据集上的表现优于传统树模型，具有重要的实际应用价值。

本文介绍了多个重要的生物数据集，包括用于树种识别的激光雷达数据集、昆虫多样性研究的BIOSCAN-5M数据集和CitrusFarm农业数据集。这些数据集支持深度学习和计算机视觉研究，促进植物学和农业机器人系统的发展，推动生物多样性研究和分类器的进步。