对比文件名称：1995-06-06_None_发明专利_JPH07146852A Structure simplifying method for neural network
目标专利名称：345在多维范围上对包括可分离子系统的系统的评估CN105580031B
本次调用模型名称：未指定
### 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：通过确定所述神经网络的第一群互连神经元的输入与第二群互连神经元的输出之间的单向依赖性来将所述神经网络串行化成所述第一群互连神经元和所述第二群互连神经元，<br>**判断结果：未公开** | 说明书第[0008]段：“誤差逆伝播法、その他の学習方法によって学習データにより示される入出力の系を学習した階層型のニューラルネットワークの中間層のニューロンの内で、幾つかのニューロンをグループ化し、グループ化した中間層のニューロンのみに注目して簡略化を行うようにした。”<br>（中文翻译：在通过误差反向传播法等学习方法学习了由学习数据表示的输入输出系统的分层型神经网络中，将中间层的神经元中的几个神经元分组，仅关注分组后的中间层神经元来进行简化。） | 对比文件公开了对分层型（階層型）神经网络进行分组和简化的概念。然而，对比文件中的“分层”是指神经网络固有的、已知的层级结构（如输入层、中间层、输出层），其分组操作（グループ化）是针对中间层神经元进行的，目的是聚焦于局部进行连接权重优化或结构简化。这不同于目标专利中主动“串行化”的操作，后者是通过分析网络中各群神经元之间的**单向依赖性**关系，将网络划分成具有顺序依赖关系的子系统（如第一群互连神经元和第二群互连神经元）。对比文件未提及基于“单向依赖性”的分析来形成串行化的子系统，其分组依据是随机、连接状态或输出相关性，而非确定前一群的输出单向影响后一群的输入这种依赖关系。因此，该技术特征未被对比文件公开。 |
| **技术特征B**：所述单向依赖性是基于所述第一群互连神经元的输入不同于所述第二群互连神经元的输出来确定的<br>**判断结果：未公开** | 未发现相关内容。 | 对比文件完全没有提及如何确定“单向依赖性”，更未涉及通过比较第一群神经元的输入与第二群神经元的输出来确定这种依赖关系。对比文件的分组依据包括随机选择、与输入层的连接状态相似性、或中间层神经元输出值的相关性，这些均与目标专利中所述的基于输入/输出比较来确定单向依赖性的技术手段不同。因此，该技术特征未被对比文件公开。 |
| **技术特征C**：基于所述第一群互连神经元的第一输入参数是否影响所述第一群互连神经元来修剪所述第一输入参数<br>**判断结果：未公开** | 说明书第[0004]段：“不要な結合を削除することは有効な手立てとなる。”<br>（中文翻译：删除不必要的连接是有效的手段。）<br>说明书第[0012]段：“グループ化した結合係数の内で、このグループに属する結合を全て削除したときに生ずる評価関数の劣化が小さいもの…を選び出すことにより簡略化を行うようにした。”<br>（中文翻译：在分组后的结合系数中，选出当删除属于该组的所有结合时产生的评价函数劣化较小的…从而进行简化。） | 对比文件确实公开了“删除”或“简化”连接（結合），但其删除的对象是神经网络内部的**连接权重（結合係数）**，这是神经网络结构的一部分。而目标专利中“修剪”的对象是子系统的**输入参数**，这些参数是来自外部、用于评估神经网络性能的变量（如权重、延迟等，见说明书第[0098]段），修剪的目的是在参数扫掠中减少需要评估的参数组合数量。两者作用对象和作用目的均不同。对比文件未提及针对外部输入参数进行基于“是否影响该子系统”的判断和修剪。因此，该技术特征未被对比文件公开。 |
| **技术特征D**：基于所述第二群互连神经元的第二输入参数是否影响所述第二群互连神经元来修剪所述第二输入参数<br>**判断结果：未公开** | 同上（技术特征C的引用）。 | 理由同技术特征C。对比文件删除的是网络内部连接，而非针对特定神经元群（如第二群互连神经元）的外部输入参数进行修剪。因此，该技术特征未被对比文件公开。 |
| **技术特征E**：其特征在于，所述串行化和/或所述修剪至少部分地取决于存储器存储要求、存储器访问时间和/或计算时间。<br>**判断结果：未公开** | 说明书第[0013]、[0017]段等多次提及“短時間の計算”。<br>（中文翻译：短时间的计算。） | 对比文件提到了简化方法能够实现“短时间的计算”，但这仅是该技术方法所带来的效果或追求的目标之一。目标专利的技术特征E强调在进行串行化或修剪**决策时**，要将存储器存储要求、访问时间和计算时间作为考虑因素（例如说明书第[0125]段的优化函数O(N)）。对比文件并未公开在决定如何串行化（实际上其未公开串行化）或如何删除连接时，需要评估或依赖这些存储和计算相关的性能指标。因此，该技术特征未被对比文件公开。 |
| **技术特征F**：其特征在于，进一步包括基于以下各项来定义所述第一群互连神经元和所述第二群互连神经元：所述神经网络的连通性和/或监视所述参数扫掠的活跃性水平。<br>**判断结果：隐含公开** | 说明书第[0009]段：“中間層と入力層との結合の状態から関連が強いと推定される複数のニューロンをグループ化し”<br>（中文翻译：从中间层与输入层的结合状态中，推测关联性强的多个神经元并进行分组。）<br>说明书第[0010]段：“入力層に入力された入力パターンに対する各ニューロンの出力値の相関から関連が強いと推定される複数のニューロンをグループ化し”<br>（中文翻译：根据对输入到输入层的输入模式各神经元的输出值的相关性，推测关联性强的多个神经元并进行分组。） | 对比文件虽然没有使用“定义第一群/第二群互连神经元”的表述，但其明确公开了基于神经网络的**连通性**（即“結合の状態”）来对神经元进行分组（グループ化）。例如，通过分析中间层神经元与输入层之间的连接状态来分组。此外，也公开了通过监视神经元对输入模式的**输出响应**（出力値の相関）来进行分组，这可以理解为一种对网络在特定输入（可类比于参数扫掠中的一种设置）下活跃性水平的分析。虽然目标专利的“参数扫掠”更系统化，但对比文件公开的根据输出相关性分组的方法，在宽松的隐含公开判断标准下，本领域技术人员有可能从中推理出通过监视网络对输入（或参数设置）的响应活跃性来定义神经元群集的技术手段。因此，该技术特征被对比文件隐含公开。 |
| **技术特征G**：其特征在于，进一步包括：对于所述扫掠的每一步骤，存储所述第一群互连神经元的输出和所述第二群互连神经元的所述输出。<br>**判断结果：未公开** | 未发现相关内容。 | 对比文件涉及的是神经网络结构的简化过程，并未涉及对神经网络进行“参数扫掠”的步骤。因此，也就不存在在扫掠的每一步骤存储各子系统输出的技术内容。目标专利的该特征旨在保存中间结果以供后续分析或优化（见说明书第[0118]段），而对比文件未提及此目的或操作。因此，该技术特征未被对比文件公开。 |
| **技术特征H**：其特征在于，进一步包括评估所述神经网络的输出以确定期望的参数值集。<br>**判断结果：未公开** | 说明书第[0005]段提及“評価関数Ｅ”。<br>说明书第[0012]段提及“評価関数の劣化”。<br>（中文翻译：评价函数的劣化。） | 对比文件中提到的“评价函数”用于指导连接权重的删除或简化决策，目的是优化网络结构以提高泛化能力，而非用于评估神经网络输出以确定一组“期望的参数值”。目标专利的特征H指向参数扫掠的最终目的——通过评估不同参数组合下的网络输出，找到最优的参数集（见说明书第[0098]-[0099]段）。对比文件没有公开这种通过系统性评估输出来选择外部参数值的过程。因此，该技术特征未被对比文件公开。 |
<<<f>>>