**对比文件名称**：2008-09-30_发明授权_US07430546B1 Applications of an algorithm that mimics cortical processing
**目标专利名称**：136神经网络中的差分编码CN107077637B
**本次调用的模型名称**：GPT-4
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：包括：由所述神经网络的第一层的第一神经元基于所述第一神经元的激活历史以及提供给所述第一神经元的附加值来预测所述第一神经元的激活值，所述附加值是至少部分地基于图像运动估计来计算的<br>**判断结果**：未公开 | 无相关引用。 | 目标专利中，技术特征A的核心在于“基于激活历史以及附加值预测激活值”，且该“附加值”是“至少部分地基于图像运动估计来计算的”。对比文件虽然描述了神经元基于历史输入（如先前输入尖峰）来预测自身输出尖峰（参见[0105]-[0107]，图4B），但完全没有提及任何“附加值”，更没有提及该附加值是基于“图像运动估计”计算得出。图像运动估计是目标专利中一个特定的应用背景（参见目标专利说明书[0148]段），对比文件未涉及此概念。因此，对比文件既未直接公开也未隐含公开该技术特征。 |
| **技术特征B**：由所述第一神经元至少部分地基于所述神经网络中的所述第一神经元的预测激活值与实际激活值之间的差值来对值进行编码<br>**判断结果**：隐含公开 (b) | [0105]段：“...the neuron learns to predict its own output spike with TAH learning...”；[0112]段：“The squared error term e(t) is minimized...”；以及[0136]段：“...minimizes the least square prediction error...”。 | 对比文件的核心原理之一是神经元学习预测自身的输出尖峰，并通过最小化预测误差（即预测输出与实际输出之间的差值）来调整突触权重（系统参数）。例如，[0112]段将预测误差定义为 e(t) = y(t) - x^T(t)w，并通过最小化误差平方和来优化权重。这隐含了“基于预测值与实际值之间的差值”这一概念。虽然对比文件主要用该差值来调整权重（学习），而目标专利用于“对值进行编码”，但“基于差值”这一技术手段在本领域技术人员的理解中是相同的。差值的存在是进行后续操作（无论是权重更新还是编码）的基础。因此，本领域技术人员可以从对比文件中合理推断出“基于预测激活值与实际激活值之间的差值”这一技术特征。 |
| **技术特征C**：以及将经编码的值传达给所述神经网络的第二层的第二神经元而不传播所述实际激活值。<br>**判断结果**：隐含公开 (c) | [0096]段：“The presynaptic input signal is modified by the synapse (small filled circles) before it is used by the neuron to compute its output signal.”；[0101]段：“...the neuron now only emits prediction error...”；[0119]段：“...neurons now receive prediction errors...”。 | 对比文件明确指出，在预测编码框架下，神经元发出的是“预测误差（prediction error）”而非实际输出值（[0101]段），并且其他神经元接收到的也是这些预测误差的加权组合（[0119]段，式17）。这直接对应于“将经编码的值（即预测误差）传达给第二神经元而不传播实际激活值”。虽然对比文件没有明确使用“编码”一词，但“预测误差”本身就是一种对信息的差分编码形式。因此，本领域技术人员可以毫无疑义地得出，对比文件公开了传递预测误差（即经编码的差值）而非原始值的通信方式。 |
| **技术特征D**：其中，所传达的经编码值进一步基于所述预测激活值与所述实际激活值之间的取阈差值。<br>**判断结果**：未公开 | 无相关引用。 | 目标专利中“取阈差值”意味着对差值应用一个阈值，只有当差值超过某个特定值时才进行编码或传播。对比文件虽然提到了基于差值的预测误差，但全文未提及对误差值设定阈值进行筛选或处理。对比文件中误差项 e(t) 是连续值，用于计算权重更新或作为网络信号，没有“取阈”这一限制步骤。因此，该技术特征未被对比文件公开。 |
| **技术特征E**：其中，所传达的经编码值进一步基于所述预测激活值与所述实际激活值之间的取阈差值。<br>**判断结果**：未公开 | 无相关引用。 | 同技术特征D，对比文件未提及对误差进行阈值处理。 |
| **技术特征F**：其中，所传达的经编码值是至少部分地基于所述经编码值的位数来选择的。<br>**判断结果**：未公开 | 无相关引用。 | 目标专利中涉及根据编码值的“位数”或“位宽”来选择或调整编码（参见目标专利说明书[0100], [0109], [0144]段）。对比文件完全未涉及任何关于信号位数、位宽或基于位数进行选择的技术内容。对比文件使用的是尖峰（spike）时间编码，未讨论数字化的位表示。因此，该特征未被公开。 |
| **技术特征G**：其中，所述预测是至少部分地基于接收到输入来执行的。<br>**判断结果**：直接公开 (G) | [0101]段：“Given history s(t), each neuron uses the following linear filter to predict the input and output at time t:”；[0101]段公式(21)(22)展示了基于历史输入 x(t-k) 和输出 y(t-k) 进行预测。 | 对比文件明确描述了神经元基于历史输入值（x(t-k)）和历史输出值（y(t-k)）来预测当前输入和输出（[0101]段）。历史输入值即来自于接收到的输入信号。因此，“预测至少部分地基于接收到输入来执行”这一特征被对比文件直接公开。 |
| **技术特征H**：进一步包括至少部分地基于所述值的位宽来对所述值进行编码。<br>**判断结果**：未公开 | 无相关引用。 | 同技术特征F，对比文件未涉及“位宽”概念。目标专利中关于位宽的描述（[0109]段）是其特有的技术细节，用于优化通信效率。对比文件未公开此特征。 |
| **技术特征I**：其中，所述编码是至少部分地基于以神经网络输出为基础的触发来执行的。<br>**判断结果**：未公开 | 无相关引用。 | 目标专利说明书[0144]段提到，编码模式的改变可以基于“触发”，例如基于分类结果（神经网络输出）是否令人满意。对比文件未描述任何基于神经网络整体输出作为“触发”条件来启动或改变编码过程的技术方案。因此，该特征未被公开。 |
| **技术特征J**：其中，所述编码相对于至所述神经网络的输入被延迟。<br>**判断结果**：未公开 | 无相关引用。 | 目标专利说明书[0102]段提到，编码可以从接收到输入数据被延迟。对比文件未描述编码过程相对于输入有任何特定的延迟机制。虽然对比文件中有信号传输延迟（[0100]段），但这是信号传播的物理延迟，并非针对“编码”这一操作本身设定的可控延迟。因此，该特征未被公开。 |
| **技术特征K**：其中，所述编码进一步至少部分地基于所述神经网络的输出。<br>**判断结果**：隐含公开 (k) | [0101]段：“Given history s(t), each neuron uses the following linear filter to predict the input and output at time t:”；公式(22)显示对输出 y(t) 的预测基于历史输出 y(t-k)。[0148]段提到预测可基于“附加全局输入（诸如运动向量）以及来自其正将信息发送至的神经元的反馈”。 | 对比文件中，神经元的预测不仅基于历史输入，也基于历史输出（[0101]段）。此外，[0148]段明确指出预测可以基于来自其他神经元的“反馈（feedback）”，这可以理解为基于神经网络中其他部分的输出。因此，“编码进一步至少部分地基于神经网络的输出”这一特征，可以从对比文件所述的基于历史输出和反馈进行预测的教导中合理推断出来。预测是编码的前提，预测所依赖的信息也间接决定了编码的内容。 |
| **技术特征L**：其中，当输入‑输出关系是确定性的时，所述至少一个先前激活值包括输入历史。<br>**判断结果**：直接公开 (L) | [0101]段：“If the neuron input-output relationship is deterministic..., it is sufficient to store only the input history.” | 对比文件在[0101]段明确阐述了当输入-输出关系是确定性时，仅存储输入历史就足够了。这直接公开了技术特征L。 |
| **技术特征M**：其中，当输入‑输出关系是随机的时，所述至少一个先前激活值包括输入历史和输出历史。<br>**判断结果**：直接公开 (M) | [0101]段：“If the input-output relationship is stochastic..., the output history is also stored.” | 对比文件在[0101]段明确阐述了当输入-输出关系是随机时，需要存储输出历史。这直接公开了技术特征M。 |
| **技术特征N**：进一步包括至少部分地基于预测输入值来计算所述预测激活值。<br>**判断结果**：隐含公开 (n) | [0101]段：“Given history s(t), each neuron uses the following linear filter to predict the input and output at time t:”；公式(21)用于预测输入 x^(t)，公式(22)用于预测输出 y^(t)。[0119]段式(18): x(t) = x^(t) + z(t)，其中z(t)是接收到的预测误差，用于重构实际输入。 | 对比文件描述了神经元联合预测输入值 x^(t) 和输出值 y^(t)（[0101]段）。并且，在预测编码框架下，实际输入 x(t) 是由预测输入 x^(t) 和接收到的误差 z(t) 重构而成（[0119]段式18）。这意味着系统运行中隐含了“基于预测输入值”来参与计算或重构的过程。虽然目标专利的“计算预测激活值”与对比文件的“预测输出值”直接对应，但“基于预测输入值”这一逻辑关系可以从对比文件的整体预测框架中合理推断出来，因为输入和输出的预测是相关联的（使用相同的历史和可能的相同滤波器）。 |
| **技术特征O**：进一步包括通过将所述经编码值与所述预测输入值相组合来计算实际输入值。<br>**判断结果**：直接公开 (O) | [0119]段：“If z(t) happens to be equal to the prediction error of the input x(t), then x(t) is reconstructed accurately by: x(t) = x^(t) + z(t).” (式18) | 对比文件在[0119]段式18中明确公开了：实际输入值 x(t) 是通过将预测输入值 x^(t) 与接收到的（经编码的）误差值 z(t)（即 δx(t)）相加（组合）来重构的。这直接公开了技术特征O。 |
| **技术特征P**：其中，计算所述预测输入值和所述预测激活值包括使用所述神经元的多个先前输入值和多个先前激活值的线性组合。<br>**判断结果**：直接公开 (P) | [0101]段：“Given history s(t), each neuron uses the following linear filter to predict the input and output at time t:”；公式(21): x^(t) = Σ_{k=1 to L} α_k x(t-k)；公式(22): y^(t) = Σ_{k=1 to L} α_k y(t-k)。 | 对比文件在[0101]段明确公开了使用多个先前输入值 (x(t-k)) 的线性组合来预测输入值 (x^(t))，以及使用多个先前激活（输出）值 (y(t-k)) 的线性组合来预测输出值 (y^(t))。这直接且毫无疑义地公开了技术特征P。 |
| **技术特征Q**：其中，所述神经元的所述预测激活值至少部分地基于所述神经元的状态以及至所述神经元的输入。<br>**判断结果**：隐含公开 (q) | [0101]段：“s(t) = {x(t-1), y(t-1), x(t-2), y(t-2), ..., x(t-L), y(t-L)}”；以及公式(21)(22)表明预测基于历史输入x和输出y。 | 对比文件中定义的“状态” s(t) 就是输入和输出的历史集合（[0101]段）。预测激活值（即预测输出 y^(t)）正是基于这个状态 s(t)（包含了历史输入）计算得出的（公式22）。因此，“预测激活值至少部分地基于神经元的状态以及至神经元的输入”这一特征被对比文件隐含公开。状态包含了历史输入，而预测直接依赖于状态。 |
| **技术特征R**：其中，所述神经元的状态是基于以下至少一者来更新的：先前状态、输入值、输出值、预测激活值、以及定向激活值。<br>**判断结果**：隐含公开 (r) | [0101]段：“s(t) = {x(t-1), y(t-1), x(t-2), y(t-2), ..., x(t-L), y(t-L)}”。状态 s(t) 显然由最近的输入值 x(t-1) 和输出值 y(t-1) 等构成，随着时间推移，新的输入/输出值进入历史，最旧的值被移除，这构成了状态的更新。 | 对比文件虽然没有明确写出状态更新的等式，但其描述的状态 s(t) 是历史记录的滑动窗口。要获得当前时刻的状态，必然需要用最新的输入值和输出值去更新之前时刻的状态（即用新的 x(t-1), y(t-1) 替换旧的记录）。因此，本领域技术人员可以合理推断出“状态是基于输入值、输出值来更新的”。虽然目标专利列举了更多更新依据（如预测激活值、定向激活值），但对比文件至少隐含公开了基于“输入值、输出值”进行状态更新的部分。 |
| **技术特征S**：其中，所述神经元的状态包括以下至少一者：输入历史、输出历史、预测激活值历史、以及定向激活值历史。<br>**判断结果**：直接公开 (S) | [0101]段：“s(t) = {x(t-1), y(t-1), x(t-2), y(t-2), ..., x(t-L), y(t-L)}.” | 对比文件在[0101]段明确定义状态 s(t) 包括输入历史 (x(t-k)) 和输出历史 (y(t-k))。这直接公开了技术特征S中的“输入历史”和“输出历史”。虽然未提及“预测激活值历史”和“定向激活值历史”，但已部分公开该特征。 |
| **技术特征T**：其中，所述预测至少部分地基于另一神经元的状态。<br>**判断结果**：隐含公开 (t) | [0148]段：“...neurons can use the errors and predictions of other neurons to predict their own inputs and outputs.”；“...filter matrices are chosen based on motion vectors from image to image.”；“...or motion vectors can be obtained top-down from the output of the DCN.” | 对比文件在[0148]段提到，神经元可以使用其他神经元的误差和预测来预测自己的输入和输出，并且可以基于来自其他神经元的反馈进行预测。其他神经元的“状态”是其进行预测和产生输出的基础。因此，“预测至少部分地基于另一神经元的状态”这一特征可以从对比文件关于使用其他神经元信息进行预测的教导中合理推断出来。 |
| **技术特征U**：其中，所述预测激活值至少部分地基于多个先前实际激活值的线性组合或先前输入值的线性组合。<br>**判断结果**：直接公开 (U) | [0101]段：公式(22): y^(t) = Σ_{k=1 to L} α_k y(t-k)；公式(21): x^(t) = Σ_{k=1 to L} α_k x(t-k)。 | 对比文件公式(22)直接公开了预测输出（即预测激活值）基于多个先前实际输出（激活）值的线性组合。公式(21)公开了预测输入基于多个先前输入值的线性组合。这直接且明确地公开了技术特征U。 |
| **技术特征V**：其中，所述附加值包括来自另一神经元的反馈信号。<br>**判断结果**：隐含公开 (v) | [0148]段：“...neurons can use the errors and predictions of other neurons...”；“Furthermore, postsynaptic neurons can provide differential feedback. In this respect, presynaptic neurons can use the differential output of postsynaptic neurons for state estimation.” | 目标专利说明书[0148]段提到了“突触后神经元可以提供差分反馈”。对比文件在[0148]段也明确提到了“突触后神经元可以提供差分反馈”，并且“突触前神经元可以使用突触后神经元的差分输出进行状态估计”。这明确指出了来自另一神经元的反馈信号可以作为附加信息用于预测或状态估计。因此，“附加值包括来自另一神经元的反馈信号”这一特征被对比文件隐含公开。虽然对比文件未将此反馈信号称为“附加值”，但其作用与目标专利中描述的“附加值”相同，都是用于改进预测的外部信息。 |
<<<G>>><<<L>>><<<M>>><<<O>>><<<P>>><<<S>>><<<U>>>
<<<b>>><<<c>>><<<k>>><<<n>>><<<q>>><<<r>>><<<t>>><<<v>>>