**对比文件名称**：US2016140451A1_Description_20260221_0616
**目标专利名称**：189照片管理CN106104577B
**本次调用的模型名称**：专利创造性评估模型
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **A：** 用第一预先训练的分类器来确定多个所存储图像的特征。<br>**判断结果：隐含公开** | [0059] “... the positive and unlabeled stochastic gradient descent learning method extends logistic regression to classification with incomplete label assignments...” <br>[0064] “Embodiments of the present disclosure are able to scale to large-scale problems using stochastic gradient descent to solve the logistic regression efficiently.” <br>[0071] “... computing device 1002 may serve content to a user computing device 1004, which may include one or more labels of a ground-truth label set determined using embodiments of the present disclosure.” | 对比文件公开了使用基础学习器（如逻辑回归）来对内容项（如图像）进行多标签分类（参见[0059], [0064]）。该学习器是一个分类模型，其输入是内容项的特征向量（xi），输出是对各标签的适用性预测（参见[0060], [0064]）。在机器学习领域，使用分类器处理特征向量以进行预测，其过程必然涉及对特征向量的“确定”和利用。虽然对比文件未明确使用“确定特征”的表述，但其整个模型训练和推断流程是建立在特征向量的基础之上的。因此，本领域技术人员可以毫无困难地从对比文件公开的内容中合理推断出“用分类器来确定特征”这一技术手段，即隐含公开了技术特征A。 |
| **B：** 所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像。<br>**判断结果：直接公开** | [0045] “The set of model parameters may be tested, using test data comprising a set of instances...” <br>[0056] “Portion 706 makes inferences about each test instance, x, using the stacked model learned using portions 702 and 704.” <br>图5：“FIG. 5 illustrates a stacked model inference example using test instance(s)...” | 对比文件明确区分了“训练实例”（training instances）和“测试实例”（test instances）（参见[0045], [0056], 图5）。分类器（堆叠模型）是在训练实例集（参见[0042], [0044]）上训练得到的，然后被应用于新的、不同的测试实例（参见[0056]）。这些测试实例就相当于目标专利中的“所存储图像”，其用于推断的特征向量（xi）必然不同于训练实例的特征向量。因此，对比文件直接公开了技术特征B。 |
| **C：** 至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集。<br>**判断结果：未公开** | 未发现相关内容。 | 对比文件的核心是多标签分类，即为每个实例预测一组标签（如“天空”、“海滩”），其输出是标签向量。而目标专利的技术特征C涉及“分群集”（clustering），这是一种无监督学习方法，旨在根据特征的相似性将实例分组到不同的“群集”（cluster）中，群集本身没有预定义的语义标签。对比文件通篇未提及任何基于特征相似性进行分群集的操作（如k-means），也未涉及“群集”（cluster）的概念。因此，该技术特征既未被直接公开，也未被隐含公开。 |
| **D：** 基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记。<br>**判断结果：未公开** | 未发现相关内容。 | 技术特征D详细描述了基于“群集中心”、“距离阈值”、“图像数目阈值”、“图像百分比阈值”等具体条件来指派标记的规则。这些概念与对比文件中的多标签分类机制完全不同。对比文件中标签的指派是基于分类模型（如逻辑回归）输出的概率（参见[0033], [0039], [0060]），可能通过设定一个概率阈值来将概率值转换为二进制的标签决策。但整个机制不涉及“群集中心”的概念，也不涉及基于距离、数量或百分比的阈值判断规则。因此，该技术特征未被公开。 |
| **E：** 修改所指派的标记。<br>**判断结果：隐含公开** | [0032] “Labels 306 annotating instance 302 might be provided by one or more individuals, or via some other source.” <br>[0071] “... computing device 1002 may serve content to a user computing device 1004, which may include one or more labels of a ground-truth label set determined using embodiments of the present disclosure.” | 对比文件描述了标签可以来自个体（用户）或其他来源（参见[0032]）。在基于用户交互的系统中，用户查看系统自动指派的标签后，对其进行修改是一种常见且合理的操作。虽然对比文件没有明确描述“修改”动作，但本领域技术人员基于系统会向用户展示标签（参见[0071]）以及标签可来源于用户的常识，可以合理推断出用户具有修改所指派标记的可能性。因此，该技术特征被隐含公开。 |
| **F：** 当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器。<br>**判断结果：隐含公开** | [0044] “The set of model parameters may be tested... and the label prediction model generator 404 may regenerate the set of model parameters if a level of accuracy is not achieved.” <br>[0072] 描述了用户设备与服务器交互的架构。 | 对比文件公开了模型参数可以重新生成（重新训练）以达到期望的准确度（参见[0044]）。如果用户修改了某个实例的标签，那么该实例及其新标签就构成了新的训练数据或对原有训练数据的修正。在机器学习系统中，利用新的、修正过的训练数据来更新（重新训练）模型，以提升模型性能或适应用户偏好，是一种标准做法。结合对比文件公开的重新训练能力和用户交互架构（参见[0072]），本领域技术人员可以合理推断出，当用户修改标记后，可以用这些图像（及其新标记）来重新训练分类器。因此，该技术特征被隐含公开。 |
| **G：** 以及至少部分地基于所述预先训练的分类器来对所述图像重新分类。<br>**判断结果：隐含公开** | [0056] “Portion 706 makes inferences about each test instance, x, using the stacked model learned...” <br>结合特征F的论述。 | 如果分类器被重新训练（如特征F所述），那么使用这个更新后的分类器对图像（包括之前可能被错误分类的图像）进行再次分类（重新分类），是重新训练后的直接且必然的应用步骤。对比文件公开了使用训练好的模型对测试实例进行推断（分类）（参见[0056]）。因此，基于重新训练的分类器进行重新分类，是本领域技术人员能够直接、合理推断出的后续操作。该技术特征被隐含公开。 |
| **H：** 其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。<br>**判断结果：直接公开** | [0059] “... the positive and unlabeled stochastic gradient descent learning method extends **logistic regression** to classification with incomplete label assignments...” | 对比文件明确将“逻辑回归”（logistic regression）作为其基础学习器（分类器）的一个具体实施例（参见[0059]）。逻辑回归是目标专利权利要求中明确列举的分类器类型之一。因此，对比文件直接公开了技术特征H中“逻辑回归”这一具体选项，满足了该特征的限制。 |
| **I：** 其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。<br>**判断结果：未公开** | 未发现相关内容。 | 此处的“群”（group）应理解为目标专利说明书中所述的“群集”（cluster）或分群后形成的组。对比文件的输出是为每个实例预测一个标签集合（如[0039]所述的预测向量），这是一种“多标签分类”，而不是将多个实例归类到若干个“群”中。对比文件没有描述根据标签将多个图像归入不同“群”或“文件夹”的操作。因此，该技术特征未被公开。 |
| **J：** 其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。<br>**判断结果：未公开** | 未发现相关内容。 | 将图像“放置到文件夹中”是一种具体的文件系统管理操作或用户界面交互行为。对比文件涉及的是标签预测和模型训练，属于数据处理和机器学习层面，并未延伸至物理或逻辑的文件存储组织（如创建、移动文件夹）。因此，该技术特征未被公开。 |
| **K：** 其特征在于，进一步包括，使用非特定名称来命名所述文件夹。<br>**判断结果：未公开** | 未发现相关内容。 | 由于对比文件未公开“文件夹”的概念（特征J），因此与之相关的“命名文件夹”的操作自然也未被公开。该技术特征未被公开。 |
| **L：** 其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。<br>**判断结果：未公开** | 未发现相关内容。 | 同上，对比文件未涉及文件夹命名，更未提及使用额外的分类器来确定文件夹名称。该技术特征未被公开。 |
| **M：** 其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。<br>**判断结果：未公开** | 未发现相关内容。 | 该特征涉及“群集中心”和基于其的分类，这些概念在对比文件中均未出现。因此，该技术特征未被公开。 |
| **N：** 其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。<br>**判断结果：未公开** | 未发现相关内容。 | “多数裁定规则”（majority rule）是一种特定的决策机制。对比文件中没有涉及任何基于投票或多数决来确定名称或标签的规则。该技术特征未被公开。 |
| **O：** 其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。<br>**判断结果：未公开** | 未发现相关内容。 | 由于对比文件未公开“文件夹”及“文件夹名称”的概念，因此接收用户输入以修改或指派文件夹名称的技术特征也未被公开。 |
| **P：** 其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。<br>**判断结果：未公开** | 未发现相关内容。 | 该特征依赖于“群集中心”、“文件夹名称”以及为此重新训练特定分类器。对比文件中均未公开这些元素及其关联操作。该技术特征未被公开。 |
| **Q：** 其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。<br>**判断结果：未公开** | [0056] “Portion 706 makes inferences about each test instance, x, using the stacked model learned...” | 对比文件公开了对新实例（“新图像”）应用训练好的模型进行推断（确定标签）（参见[0056]），这部分对应于“确定新图像的特征向量和应用分类器”。然而，对比文件未公开后续“确定新图像的群”以及“将新图像放置在文件夹中”的步骤。因此，该技术特征整体未被公开。 |
| **R：** 其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。<br>**判断结果：隐含公开** | [0032] “Labels 306 annotating instance 302 might be provided by one or more individuals...” <br>结合特征E的论述。 | 与特征E同理，对比文件公开了标签可以来源于用户（参见[0032]）。在一个交互式系统中，接收用户对系统自动生成或现有标签的修改输入，是一种隐含的、合理的功能延伸。本领域技术人员可以推断系统能够接收此类输入。因此，该技术特征被隐含公开。 |
| **S：** 其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。<br>**判断结果：未公开** | 未发现相关内容。 | 该特征将“修改标记”这一动作与一个具体的用户界面操作——“将图像从第一文件夹移至第二文件夹”——绑定。对比文件完全没有涉及“文件夹”或通过移动文件来修改元数据（标记）的交互隐喻。因此，该技术特征未被公开。 |
| **T：** 其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。<br>**判断结果：未公开** | 未发现相关内容。 | 对比文件描述的是在单个计算系统或服务器-客户端架构内进行模型训练和推断，没有提及在不同用户之间共享模型（分类器）或数据结构（群集中心列表）的功能。该技术特征未被公开。 |
| **U：** 其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。<br>**判断结果：未公开** | 未发现相关内容。 | 该特征依赖于“群集中心列表”的共享与组合。对比文件既未公开“群集中心列表”，也未公开在用户间共享和组合此类数据以更新个性化模型的机制。该技术特征未被公开。 |
| **V：** 其特征在于，进一步包括，与所述第二用户共享用户为类别或群集定义的种类。<br>**判断结果：未公开** | 未发现相关内容。 | 对比文件中的标签集（如[0028]所述）是预定义的或从数据中学习得到的，并未描述由用户自定义“种类”（category）并在用户间共享的功能。该技术特征未被公开。 |
<<<B>>><<<H>>><<<a>>><<<e>>><<<f>>><<<g>>><<<r>>>