arXiv 论文提出 Assur-KB 表示，机构设计样本效率提升 1.8 倍
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇投稿于 arXiv cs.AI 的论文研究平面机构行为的学习表示。作者提出 Assur-KB，用不可约模块、边界接口和求解依赖来描述机构，同时保留原始几何信息。理论部分刻画了模块接口间的迁移，并指出接口信息缺失与灵敏度累积带来的物理限制。实验在同一多层感知机家族内做受控对比，在 50 到 10,000 个机构的训练预算区间内，Assur 派生特征的样本效率相对扁平邻接与位置输入取得 1.8 倍几何平均优势。另有实验验证了关节重标记下的不变性、二元组合下更高的有效生成率，以及在 1002 万个机构上的更粗粒度结构索引。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载表示方式与理论边界
论文关注的是如何表示机构行为：相互连接的部件如何共同约束运动。作者给出的 Assur-KB 把平面机构拆成不可约模块，并显式记录模块之间的边界接口与求解依赖，同时保留原始几何信息。理论部分讨论迁移如何经由模块接口发生，并给出两类物理限制：一是接口信息缺失，二是灵敏度随组合累积。这两点决定了表示在什么条件下还能支撑预测与复用。
受控对比与样本效率
为直接检验表示本身的作用，实验设计在同一多层感知机家族内比较匹配的机构-曲线对，并在不同训练预算下重复。训练预算覆盖 50 到 10,000 个机构。结果显示，Assur 派生特征相对扁平邻接加位置输入，在样本效率上取得 1.8 倍的几何平均优势。作者据此认为，在受评估的学习设定中，完整表示具有实用价值。
组合性与结构索引
除主对比外，论文还报告了三组独立实验：在测试过的关节重标记下保持结果不变；在二元组合下获得更高的有效生成率；以及在 1002 万个机构上构建更粗粒度的结构索引。这些结果与理论部分相呼应，指向同一问题：物理约束结构如何支撑有限数据下的预测，以及哪些接口条件决定组合复用是否成立。
为什么值得看
关注有限数据下的结构化表示与组合复用的人，可看其受控对比设计与 1.8 倍样本效率结论。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。