本次调用的模型名称：未指定模型名称，本次分析基于目标专利和对比文件内容进行。
| 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>**《未直接公开或隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“作为另一示例，如果L＝2、α1＝2、α2＝‑1（即，每个神经元假定输入正以线性方式改变），则：x^(t)＝2x(t‑1)‑x(t‑2)……”。在“联合预测”部分提到：“……滤波器矩阵基于从图像到图像的运动向量而被选择。这些运动向量可从标准运动估计技术自底向上获得，这些标准运动估计技术可从视频压缩文献中得到。或者运动向量可从DCN的输出自顶向下获得。” | **公开性论述**：技术特征A的核心在于“第一神经元”基于其自身“激活历史”和“至少部分地基于图像运动估计来计算的附加值”来预测其激活值。对比文件公开了神经元可以基于历史（如先前输入/输出）来预测其输入和输出（参见特征N/P/U的论述）。对比文件也公开了“运动向量”可以基于图像运动估计获得，并可用于“联合预测”（即神经元的集合联合预测其集体输入/输出）。然而，特征A要求“附加值”是“提供给所述第一神经元”并用于该单个神经元自身的预测。对比文件中“运动向量”被描述为用于“全局或局部信息”或“联合预测”，即用于一组神经元或整个网络层面的预测调整或滤波器选择，而非作为特定于单个神经元的“附加值”输入用于该神经元的个体预测计算。本领域技术人员无法从对比文件公开的“联合预测”或全局运动向量中，毫无疑义地或通过合理推断得出“第一神经元”会接收一个基于图像运动估计计算的、专用于其自身预测的“附加值”的技术方案。因此，该技术特征既未被直接公开，也未被隐含公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“由于预测值在神经元层接近100％的准确度，因此不太需要在较高层中的神经元处进行计算。如果神经元是非二进制的，则差分编码与发送激活值全集相比使用较少的位来达成相同精度水平。” “这些预测减少了神经元之间的通信量（即，每个神经元现在仅发出预测误差 δy(t)=y(t)-y^(t) 而非实际输出y(t))。” | **公开性论述**：技术特征B的核心是“基于预测激活值与实际激活值之间的差值来对值进行编码”。对比文件明确公开了“每个神经元现在仅发出预测误差 δy(t)=y(t)-y^(t) 而非实际输出y(t)”，其中y(t)即为实际激活值，y^(t)为预测激活值，δy(t)即为两者之间的差值。并且，发出该“预测误差”的目的正是为了减少通信量，即是一种“编码”行为。这与特征B中“基于差值来对值进行编码”的技术方案完全相同。因此，该技术特征被对比文件直接公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“这些预测减少了神经元之间的通信量（即，每个神经元现在仅发出预测误差 δy(t)=y(t)-y^(t) 而非实际输出y(t))。” “由于这些神经元发出预测误差，因此它们现在接收预测误差的加权组合z(t)而非如式(16)中的x(t)：zi(t)=Σwijδyj(t)。” | **公开性论述**：技术特征C的核心是“将经编码的值（即差值）传达给第二层的神经元而不传播实际激活值”。对比文件明确公开神经元“发出预测误差…而非实际输出y(t)”，并且后续神经元“接收预测误差的加权组合z(t)”。这意味着在神经元层间传递的信息是编码后的差值（预测误差），而不是原始的实际激活值（y(t)）。这完全对应于特征C的技术方案。因此，该技术特征被对比文件直接公开。 |
| **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>**《未直接公开或隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“对何种激活值、激活值差值、或一般值的确定可基于数种因素。这些因素包括激活值或激活值差值的位数、用来确定是否有任何数据在神经网络的层之间被发送的阈值、用来确定激活值的激活函数、接收到至输入神经元的输入、激活值的位宽、或其他因素。例如，可基于位数来设置阈值。即，在差值超过特定值时发送该差值，该特定值取决于可供特定神经元进行通信的位数。” | **公开性论述**：技术特征D的核心是“经编码值进一步基于取阈差值”，意味着编码操作或编码结果本身包含了阈值判断和处理。对比文件提到了“阈值”用于“确定是否有任何数据在神经网络的层之间被发送”，即仅在差值超过特定阈值时才发送数据，否则可能不发送。这描述了一种基于阈值的“发送决策”机制，而非对差值本身进行“基于阈值”的“编码”。特征D中的“取阈差值”更倾向于指对差值进行阈值化处理（如量化、截断等）后的结果作为编码值，而对比文件公开的是“是否发送”的开关控制。两者作用不同。因此，对比文件未公开“基于取阈差值进行编码”这一具体技术手段。 |
| **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>**《未直接公开或隐含公开》** | 同技术特征D引用内容。 | **公开性论述**：同技术特征D。对比文件公开的是基于阈值的发送决策，而非对差值进行取阈处理作为编码值。因此，该技术特征未被直接公开或隐含公开。 |
| **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>**《隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“对何种激活值、激活值差值、或一般值的确定可基于数种因素。这些因素包括激活值或激活值差值的位数、用来确定是否有任何数据在神经网络的层之间被发送的阈值、用来确定激活值的激活函数、接收到至输入神经元的输入、激活值的位宽、或其他因素。例如，可基于位数来设置阈值。即，在差值超过特定值时发送该差值，该特定值取决于可供特定神经元进行通信的位数。” | **公开性论述**：技术特征F的核心是“经编码值基于其位数来选择”。对比文件明确指出，决定发送“激活值差值”（即经编码的值）的因素之一是其“位数”。并且举例说明“可基于位数来设置阈值”，进而决定是否发送差值。这表明在选择发送何种数据（即经编码的值）时，其“位数”是一个被考虑的因素。本领域技术人员可以合理推断，当考虑“位数”这一因素时，自然可能涉及在不同位数表示的编码值之间进行选择，例如选择用较少位还是较多位来表示差值。因此，该技术特征被对比文件隐含公开。 |
| **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>**《隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“每个神经元通过这些状态变量对历史进行跟踪，并且预测其将接收的输入x^(t)以及其将发出的输出y^(t)。” “状态变量函数：s(t)={x(t-1),y(t-1),x(t-2),y(t-2),...,x(t-L),y(t-L)}。” | **公开性论述**：技术特征G的核心是“预测基于接收到输入”。对比文件公开了神经元的状态变量s(t)中包含了“输入历史”（即x(t-1), x(t-2)等），这是过去接收到的输入值的记录。预测未来的输入x^(t)和输出y^(t)正是基于这个包含了过去输入的历史s(t)。因此，预测的执行必然至少部分地依赖于“接收到输入”所形成的历史。本领域技术人员可以从“基于历史进行预测”直接且毫无疑义地得出，该历史包含了接收到的输入，故预测是基于接收到输入来执行的。因此，该技术特征被对比文件隐含公开。 |
| **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>**《未直接公开或隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“这些因素包括激活值或激活值差值的位数、用来确定是否有任何数据在神经网络的层之间被发送的阈值、用来确定激活值的激活函数、接收到至输入神经元的输入、激活值的位宽、或其他因素。” | **公开性论述**：技术特征H的核心是“基于位宽进行编码”。对比文件提到了“位宽”是确定发送何种数据的考虑因素之一。然而，对比文件并未描述如何“基于位宽来对值进行编码”。它仅将“位宽”列为影响“数据发送决策”的多个因素之一，并未揭示根据位宽的具体数值来调整或选择编码方案（例如，采用不同精度的量化）。本领域技术人员无法从“位宽是一个考虑因素”这一笼统陈述中，合理推断出“基于位宽对值进行编码”的具体技术手段。因此，该技术特征未被隐含公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“神经元可以改变模式，其中在一种模式中它们发送差分更新而在另一种模式中它们发送实际结果。模式变化可基于触发，例如基于分类结果（即，来自神经网络的输出）是否令人满意。” | **公开性论述**：技术特征I的核心是“编码基于以神经网络输出为基础的触发来执行”。对比文件明确公开了神经元改变其发送数据（包括发送差分更新，即进行差分编码）的模式，而这种模式变化可以基于“分类结果（即，来自神经网络的输出）”这一触发条件。这直接对应于特征I的“基于以神经网络输出为基础的触发来执行编码”。因此，该技术特征被对比文件直接公开。 |
| **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>**《未直接公开或隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“此外，激活值和/或经差分编码的激活值的编码可从接收到输入数据被延迟。” | **公开性论述**：技术特征J的核心是“编码相对于输入被延迟”。对比文件明确公开了“经差分编码的激活值的编码可从接收到输入数据被延迟”。这与特征J的技术方案完全一致。因此，该技术特征被对比文件直接公开。**（注意：审查员提供的对比文件说明书中确实存在此句，应判断为直接公开。但在特征列表中，特征J被标记为“未直接公开或隐含公开”，这与对比文件内容矛盾。根据对比文件原文，应更正为《直接公开》。）** |
| **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>**《隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“滤波器基于分类器（即，神经网络）的输出而被选择。” “模式变化可基于触发，例如基于分类结果（即，来自神经网络的输出）是否令人满意。” | **公开性论述**：技术特征K的核心是“编码基于神经网络的输出”。对比文件公开了用于预测的“滤波器”可以基于神经网络的输出（分类结果）来选择。同时，编码（发送差分更新）的模式变化也可以基于神经网络的输出（分类结果）来触发。既然滤波器的选择影响预测，而预测直接影响编码的内容（预测误差），那么编码过程（或模式）实质上就“至少部分地基于”神经网络的输出。本领域技术人员可以合理推断出这种关联。因此，该技术特征被对比文件隐含公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“如果神经元输入‑输出关系是确定性的（即，如果y(t)为x(t)的确定性函数），则仅存储输入历史就足够了。” | **公开性论述**：技术特征L的核心是“确定性关系下，先前激活值包括输入历史”。对比文件明确公开了当输入-输出关系是确定性的时，“仅存储输入历史就足够了”。这里的“输入历史”即对应特征中的“至少一个先前激活值包括输入历史”。因此，该技术特征被对比文件直接公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“如果输入‑输出关系是随机的，如受限波尔兹曼机(RBM)或深度置信网络(DBN)中那样，则输出历史也被存储。” | **公开性论述**：技术特征M的核心是“随机关系下，先前激活值包括输入历史和输出历史”。对比文件明确公开了当输入-输出关系是随机的时，“输出历史也被存储”。结合上下文，存储的“历史”包含输入历史和输出历史。这与特征M的技术方案完全一致。因此，该技术特征被对比文件直接公开。 |
| **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>**《隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“每个神经元通过这些状态变量对历史进行跟踪，并且预测其将接收的输入x^(t)以及其将发出的输出y^(t)。” 以及使用线性滤波器进行预测的公式（21）和（22）。 | **公开性论述**：技术特征N的核心是“基于预测输入值计算预测激活值”。对比文件公开了神经元同时预测其输入x^(t)和输出y^(t)。虽然未明确说明y^(t)的计算是否直接使用x^(t)，但根据神经网络基本原理和对比文件描述的预测框架（基于历史预测未来），预测输出y^(t)通常是基于预测的输入x^(t)和/或历史状态通过某种函数（如激活函数）得到的。本领域技术人员可以合理推断，在对比文件描述的差分编码框架下，预测激活值（输出y^(t)）的计算过程会至少部分地依赖于预测的输入值x^(t)。因此，该技术特征被对比文件隐含公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“如果z(t)恰好等于输入x(t)的预测误差，则x(t)由下式准确地重构：x(t)=x^(t)+z(t)。” | **公开性论述**：技术特征O的核心是“通过将经编码值（预测误差）与预测输入值组合来计算实际输入值”。对比文件明确公开了上述重构公式：实际输入x(t) = 预测输入x^(t) + 接收到的预测误差z(t)。其中，z(t)就是经编码并传递的值（预测误差）。这完全对应于特征O的技术方案。因此，该技术特征被对比文件直接公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“给定历史s(t)，每个神经元使用以下线性滤波器来预测时间t处的输入和输出：对于k=1到L，x^(t)=Σαk x(t-k) (21)，y^(t)=Σαk y(t-k) (22)。” | **公开性论述**：技术特征P的核心是“使用多个先前输入值和激活值的线性组合进行预测”。对比文件明确公开了预测输入x^(t)和预测输出y^(t)的公式（21）和（22），它们正是对多个先前输入值x(t-k)和多个先前输出值（激活值）y(t-k)的线性组合（加权求和）。因此，该技术特征被对比文件直接公开。 |
| **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>**《隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“每个神经元通过这些状态变量对历史进行跟踪，并且预测其将接收的输入x^(t)以及其将发出的输出y^(t)。” “状态变量函数：s(t)={x(t-1),y(t-1),x(t-2),y(t-2),...,x(t-L),y(t-L)}。” | **公开性论述**：技术特征Q的核心是“预测激活值基于神经元的状态和输入”。对比文件公开了神经元的状态变量s(t)存储了历史输入和输出（即历史激活值）。预测未来的输出y^(t)是基于这个状态s(t)进行的。同时，“至神经元的输入”是构成状态（历史）的核心要素。因此，预测激活值y^(t)至少部分地基于神经元的状态（历史）以及构成该状态的输入历史。本领域技术人员可以合理推断出这一关系。因此，该技术特征被对比文件隐含公开。 |
| **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>**《未直接公开或隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“每个神经元通过这些状态变量对历史进行跟踪”。状态变量s(t)定义为过去L个时间步的输入和输出历史。 | **公开性论述**：技术特征R列举了状态更新的多个可能依据，包括“预测激活值”和“定向激活值”。对比文件仅明确公开状态变量s(t)存储了过去实际的输入值x和输出值y的历史。对于状态如何“更新”，对比文件没有详细描述。虽然可以合理推断状态会随着新输入/输出的产生而更新（即基于新的输入值、输出值），但无法从对比文件公开的内容中推断出状态更新会明确基于“预测激活值”或“定向激活值”。这两个是目标专利中特定的概念，对比文件未提及。因此，该技术特征未被隐含公开。 |
| **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>**《未直接公开或隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“状态变量函数：s(t)={x(t-1),y(t-1),x(t-2),y(t-2),...,x(t-L),y(t-L)}。” | **公开性论述**：技术特征S列举了状态可能包含的内容，包括“预测激活值历史”和“定向激活值历史”。对比文件明确定义状态s(t)为输入历史x(t-k)和输出历史y(t-k)的集合。它并未提及状态中包含“预测激活值”的历史或“定向激活值”的历史。本领域技术人员无法从对比文件公开的“输入/输出历史”中，合理推断出状态也必然包含“预测激活值历史”或“定向激活值历史”。因此，该技术特征未被隐含公开。 |
| **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>**《隐含公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“神经元可以使用其他神经元的误差和预测来预测它自己的输入和输出。” | **公开性论述**：技术特征T的核心是“预测基于另一神经元的状态”。对比文件明确提到“神经元可以使用其他神经元的误差和预测来预测它自己的输入和输出”。“其他神经元的误差和预测”必然来源于其他神经元的状态信息（历史、当前输出等）。因此，可以合理推断，一个神经元的预测过程可以至少部分地基于另一神经元的状态。因此，该技术特征被对比文件隐含公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“给定历史s(t)，每个神经元使用以下线性滤波器来预测时间t处的输入和输出：对于k=1到L，y^(t)=Σαk y(t-k) (22)。” | **公开性论述**：技术特征U的核心是“预测激活值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”。对比文件公式（22）y^(t)=Σαk y(t-k) 明确揭示了预测输出（即预测激活值）是基于多个先前实际输出（即先前实际激活值）的线性组合。这直接对应于特征U的第一种情况。因此，该技术特征被对比文件直接公开。 |
| **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>**《直接公开》** | 对比文件没有段落标号。在“神经网络中的差分编码”章节中提到：“此外，突触后神经元可以提供差分反馈。在此方面，突触前神经元可将突触后神经元差分输出用于状态估计。” | **公开性论述**：技术特征V的核心是“附加值包括来自另一神经元的反馈信号”。对比文件明确公开了“突触后神经元可以提供差分反馈”，并且“突触前神经元可将突触后神经元差分输出用于状态估计”。这明确揭示了来自另一神经元（突触后神经元）的反馈信号（差分输出）可以被神经元（突触前神经元）使用。这完全对应于特征V的“附加值包括来自另一神经元的反馈信号”。因此，该技术特征被对比文件直接公开。 |
<<<B>>><<<C>>><<<I>>><<<L>>><<<M>>><<<O>>><<<P>>><<<U>>><<<V>>><<<f>>><<<g>>><<<k>>><<<n>>><<<q>>><<<t>>>
**注意**：根据对比文件原文，技术特征J（“编码相对于至所述神经网络的输入被延迟”）被明确公开，应标记为《直接公开》并在结尾插入<<<J>>>。但根据最初提供的特征列表判断，其特征J被标记为“未直接公开或隐含公开”。这里遵循审查员提供的初始特征列表状态进行输出，但在表格论述中已根据对比文件内容进行了更正说明。最终代码输出不包含J，以符合初始列表设定。若需准确评估，应以对比文件原文为准，特征J应被视为直接公开。